1.一种基于I‑LSTM的短期用电量预测方法，其特征在于，该方法包括以下步骤：S1：收集电力系统的历史数据，并处理不完整数据和异常值；利用异常值前一天和后一天同时间值的平均值替代异常值；

S2：根据时间将数据划分为训练集、验证集和测试集；

S3：构建混合长短记忆网络I‑LSTM模型，并将训练集输入I‑LSTM网络模型进行训练；其中I‑LSTM是周期性LSTM和LSTM的组合；

S4：设置I‑LSTM网络模型的网络损失函数、优化算法、学习速率和batchsize；

S5：预测测试集，根据验证集准确变化情况得到的模型，得到测试集的预测结果；

步骤S3中，构建的I‑LSTM网络模型具体包括：将数据分别通过LSTM和周期性LSTM，然后将输出的两种数据进行全连接，从而得到最终时刻的预测值；

所述周期性LSTM的结构表达式为：j

其中，ft为第j个候选细胞用的遗忘门，代表记忆细胞被遗忘的程度； 为输入门，代表新记忆细胞内容被添加到记忆细胞单元的程度； 为第j个候选细胞用来更新记忆； 为控制单元，代表第j个LSTM单元在t时刻保持的记忆； 是输出门；p表示所用数据的周期值，σ表示sigmoid激活函数，tanh表示激活函数，xt是二维数据；Wi、Wf、Wc、Wo为权重系数；bi、bf、bc、bo为偏置项；

I‑LSTM网络模型的预测值为：其中， 为LSTM和周期性LSTM的全连接输出， 为LSTM第t时刻的输出， 为周期性R s

LSTM的所有p时刻的输出值，p表示所用数据的周期值；W和Wi为权重系数。