目录
为了充分挖掘电力负荷与多维特征因素的非线性关系，提高负荷预测精度，提出了一种基于随机森林和双向长短期记忆(Bi-LSTM)网络的超短期负荷预测方法。首先，采用滑动时间窗口的方式构建神经网络的输入数据，使其输入前几个时间点的负荷值以预测下一时间点的负荷值，提高网络的精度；其次，构建多层Bi-LSTM 网络，对时间窗口特征的负荷数据进行预测；最后，采用某市真实负荷数据进行仿真分析。结果表明，所提方法与传统预测方法相比，具有更高的预测精度，为精确预测具有多维特征因素的负荷提供参考。
本文程序注释详细，且已做标准化处理，方便您替换自己的数据实现不同功能，适合初学者进行学习。
实现供电量与电力负荷的动态平衡是电力系统稳定经济运行的前提，而负荷具有较强的波动性和非线性，且随着数据采集系统的发展，负荷信息呈现多特征的特点，增加了预测的难度。因此，挖掘负荷与特征因素的内在关联，降低输入变量的维度，对准确预测负荷具有重大意义。
目前的文献对单一特征影响下的负荷预测进行了深入的研究，有效地降低了预测误差。然而，上述方法无法有效处理高维时间序列信息，其模型训练耗费时间长且预测精度较低。
滑动时间窗口的核心原理是：我们先确认一个窗口，这个创建就是一个单位时间，比如10s,统计10s内某个Redis的Key访问次数，这个10s就是一个单位时间窗口，如果仅仅以10s一个单位来做统计，这个就太粗糙了，而且结果不准确。
通常的做法是，将这个10s的窗口，进行一个切分，比如切分10个小块，每个小块代表1秒，这个切分的步骤，它的思想是来源于桶排序中，桶的划分思想，桶排序这个思想可以应用于很多方面，利用桶排序思想，其实我们具体利用的不是他的排序功能，而是这个桶的功能。
为了充分学习到时间序列数据中隐含的信息，构建双层双向长短期网络对其进行提取和学习，实现时间序列回归预测。Bi-LSTM由向正反两个方向传递且共享权值的LSTM网络组成，可从正反2个方向学习时间序列，结合序列的历史信息和未来信息，具有很强的表达能力。
本文模型结构：
