本发明属于电力系统运行和调度，涉及基于孤立森林的cnn-bilstm的负荷预测方法。
背景技术：
1、电力系统的短期负荷预测对于经济调度、电力市场交易、电网经济平稳运行等具有重大意义。随着电网建设智能化、数字化发展，负荷预测精度的要求逐渐提升，如何提高短期负荷预测的精度成为亟待解决的现实问题。目前短期负荷的研究分为传统预测模型和深度学习模型。传统预测模型使用历史数据作为预测基础，采集过去的负荷序列值对未来一段时间的负荷做出预测，常见的模型方法有指数平滑法、卡尔曼滤波和线性回归等方法。虽然此类方法处理线性预测是有效的，但由于负荷数据是非线性的，所以得到的预测关系效果较差，尤其是在经济、温度、天气和日期的影响下预测精度会下降。传统方法的负荷预测精度均已不能满足当前电网智慧化发展的要求。
2、近年来，深度学习模型在电力负荷预测领域同样得到了较好的应用。许多学者采用结合卷积神经网络(convolutional neural network,cnn)与长短期记忆神经网络(longshort-term memoryl network,lstm)的混合模型进行短期负荷预测。但以上方法将负荷数据和影响负荷的气象、日期因素等多特征维度数据作为模型输入，导致模型输入维度过高；此外，该方法只考虑采用单向的lstm模型，不利于捕获负荷数据前后关联特征，从而不利于模型训练与预测精度的提高。
技术实现思路
1、本发明的目的是提供基于孤立森林的cnn-bilstm的负荷预测方法，解决了现有技术中存在的多特征维度数据作为模型输入，导致模型输入维度过高，预测精度低的问题。
2、本发明所采用的技术方案是，基于孤立森林的cnn-bilstm的负荷预测方法，按照以下步骤实施：
3、步骤1、采集短期负荷数据；
4、步骤2、处理异常数据；
5、步骤3、进行归一化，再划分为训练集t1和测试集t2；
6、步骤4、搭建cnn-bilstm负荷预测模型，并完成训练；
7、步骤5、残差纠正及误差评估，得到基于孤立森林的cnn-bilstm的负荷预测结果。
8、本发明的有益效果是，基于孤立森林的cnn-bilstm的短期电力负荷预测模型(convolutional neural network-bidirectional long short-term memory)，简称cnn-bilstm负荷预测模型，将历史的结合天气、日期、工作日类型等因素作为输入特征，采用孤立森林对异常点进行捕捉和处理，然后采用cnn-bilstm负荷预测模型进行预测，得到实际负荷预测曲线，明显提高了短期电力负荷预测的精度。
1.基于孤立森林的cnn-bilstm的负荷预测方法，其特征在于，按照以下步骤实施：
2.根据权利要求1所述的基于孤立森林的cnn-bilstm的负荷预测方法，其特征在于，步骤1中，具体过程是：
3.根据权利要求1所述的基于孤立森林的cnn-bilstm的负荷预测方法，其特征在于，步骤2中，具体过程是：
4.根据权利要求1所述的基于孤立森林的cnn-bilstm的负荷预测方法，其特征在于，步骤3中，具体过程是：
5.根据权利要求1所述的基于孤立森林的cnn-bilstm的负荷预测方法，其特征在于，步骤4中，具体过程是：
6.根据权利要求1所述的基于孤立森林的cnn-bilstm的负荷预测方法，其特征在于，步骤5中，具体过程是：
