作为能源消费领域领跑者的天然气凭借其安全、高效、环保、经济等绝对优势,近年来已广泛深入生产生活中的方方面面,起着不可或缺的作用。但是目前城市燃气在管网调度运行方面仍存在着供气不平稳、用户用气不规律等迫切需要解决的难题。为了更好的保障城市用户安全平稳用气,本文基于长短期记忆神经网络(LSTM,Long ShortTerm Memory)模型对城市燃气负荷预测技术进行研究及系统开发,以期为城市用气量预测提供前瞻性指导作用。首先,本文整体分析了燃气日负荷特点和影响因素对燃气负荷变化的影响机理。其次,对燃气历史数据进行预处理,在预测过程中,历史数据的完整性对预测结果的准确性极其重要,但历史数据往往存在部分缺失值和离群值,针对这个问题,本文通过SPSS软件对燃气历史负荷和影响因素的缺失值、异常数据进行检测并处理,通过历史离群数据的挖掘来进一步提高负荷预测模型的精度。接着,采用Pearson相关系数验证影响因素与历史负荷数据的显著性关系,确定预测模型的输入变量特征。最后,采用新兴的深度学习范畴的LSTM模型以及GM(1,1)、支持向量机、BP神经网络,结合A城市2年历史数据进行燃气日负荷预测,结果表明SVM和BP神经网络的预测误差相近,最大偏差约为8.86%和7.66%,其中GM(1,1)误差最大,LSTM模型优于其他模型,相对误差约为4.49%。同时,本文采用Python语言,实现了四种预测模型的计算,并利用PyQt5进行软件开发,将预测结果数据和图形展示在天然气日负荷预测系统中,为城市燃气负荷预测提供一个有力的指导平台和辅助手段。