摘要：用户侧供能负荷预测是能源互联网的关键技术之一，在能源互联网的运行管理中起着重要的作用。高精度的用户侧供能负荷预测能够提高能源利用率，有助于错峰资源的分层优化与自动分配，从而实现能源生产与使用的协同调度。现有的供能负荷预测方法很少考虑数据内部的时序相关性。基于实际的居民区历史供水热量数据，并考虑数据的时序特性，采用了长短时记忆（LSTM）网络，以挖掘居民区供水热量数据在时间维度上的内在联系。通过研究数据潜在的特征，建立了一种基于LSTM网络的居民区供热负荷短时预测模型。试验证明，相较于传统数据驱动的供热负荷短时预测模型，基于LSTM网络的居民区供热负荷短时预测模型具有更高的预测精度，在工业中具有更高的实际应用价值。未来将扩大数据集规模，引入与供热负荷相关的气象数据，构建基于LSTM网络的多步预测模型与供热需求长时预测模型。

关键词：能源互联网 人工智能 供热负荷 短时预测 长短时记忆 

单位：新奥科技发展有限公司; 河北廊坊065001; 煤基低碳能源国家重点实验室; 河北廊坊065001; 上海交通大学自动化系; 上海200240