负荷预测是电力系统运行管理中的重要模块,旨在为电力系统安全经济运行提供支撑,通过对电力系统负荷的有效预测,平衡电力需求,以此制定发展和生产计划,维护电力系统的稳定和安全,提高经济效益和能源利用率。事实上,短期负荷的预测对于需求侧管理具有重要意义,它是系统分配电量、预防性控制和紧急状态处理的基础。近年来依托人工智能的负荷预测得到了蓬勃发展。本文属于非平稳非线性时间序列的多步预测问题,利用信号分解、深度时序神经网络理论、组合学习方法等方法进行短期工业电能预测研究,提出基于EEMD分解和深度时序神经网络的组合学习预测模型。因为负荷数据具有一定时序相关性,为了有效利用时序特征,采用经典的长短期记忆网络(LSTM)作为基本神经网络单元,建立神经网络模型。通过信号分解方式将非平稳非线性原始时间序列转化为若干个子序列,并对分解出来的高频子序列进行二次分解,从而获取数据隐含的深层特征,有效提高负荷预测的精度。最后,分别采用AEMO公开数据集和某大型工业用户真实负荷数据进行实验验证,实验结果与多种经典时序预测模型进行分析评估,对比表明,在MAPE、MAE和NRMSE三种常用的预测性能评估指标上,本文模型均能达到明显稳定最优效果。本文所提出模型应用于某大型工业电力用户的需量负荷预测,误差控制在较低值和现场可接受范围,可辅助实现不同紧急程度的需量控制策略。