历史住宅消费数据的数量
使用LSTM进行短期负荷预测的新方法（长期短期记忆）网络基于RNN提出了神经网络。
经典模型：Elman神经网络
在隐藏层中添加了一层前馈网络作为步进延迟算子以获得记忆的目的。 因此，该模型具有的能力适应时变系统，可以直接反映出来动态过程系统的动态特性。
RNN
LSTM
消失的梯度问题阻止了标准RNN从学习长期依赖。 LSTM的设计通过门控机制来对抗消失的渐变。
LSTMs。如果输入门固定为全1，则忘记门是固定为全0，输出门固定为全1，即标准RNN。只有一个额外的tanh
负荷序列模型
这种模型在实践中是不可行的。 因为每次只有一组数据作为输入，它可以导致
测试中的重大错误。 解决方案是叠加m点时间，输入如下：
其中x 1，x 2，x 3，... x m是特征向量。 大步可以根据数据调整两个矢量之间的距离
类型和测试有效性。 在本文中，步幅的价值是设为12。输出成为m维向量，m是特征长度。
注意事项：
序列长度是特征向量的数量同时输入一次模型，在本文中，序列长度设置为28。
根据历史数据，配置和参数如下。 隐藏单位的大小是256; 隐藏层数为1; 的数量迭代是20。
在本文中，一种新的短期负荷方法提出了预测。该方法依赖于LSTM网络并使用长时间序列作为输入