3.2 Bi-LSTM应用于EV充电负荷预测的基本原理
Bi-LSTM（Bi-directional Long Short Term Memory）属于由RNN发展而来的学习网络，是由前向LSTM与后向LSTM组合而成。Bi-LSTM可以理解为是对LSTM的改进，而LSTM是对RNN的改进。使用LSTM模型可以更好的捕捉到较长距离的依赖关系，虽然LSTM的训练过程可以记忆和遗忘信息[10]；但是标准的LSTM按时间顺序处理序列，仅考虑历史信息并忽略未来信息，在预测未来负荷时，为了获得更准确的预测结果并充分利用历史和未来信息，LSTM显然不能满足这一需求，针对EV负荷存在的周期性和随机性特点，构建基于Bi-LSTM的EV充电负荷预测模型之前，应先对EV负荷数据进行预处理 [11]。
3.3 EV充电负荷数据预处理
本文的仿真实验的数据来源于广东省某市某年的部分EV充电负荷数据，Bi-LSTM的输入维度特征数据X分为历史数据L，时刻特征S，日期类型R,天气因素W共4个特征，即X={L,S,R,W},因EV负荷数据的相关性较强，预测方法是根据N个样本数据，生成第N+1、N+2……个数据,每个数据含有24个负荷点，即根据N个样本数据N*24个负荷点得到第N+1天、N+2天的负荷值，然后再以此类推，不断滚动预测。
