基于Matlab的长短期记忆网络（LSTM）和双向长短期记忆网络（Bi-LSTM）短期负荷预测。将数据归一化到0-1之间，便于神经网络的训练。使用mapminmax函数进行归一化和反归一化处理。通过滑动时间窗构建输入数据，增强模型对时间序列上下文信息的捕捉能力。时间窗长度为Windows，预测未来一天（T）的负荷数据。LSTM：一种特殊的循环神经网络（RNN），能够有效处理时间序列数据中的长期依赖关系。LSTM通过门控机制控制信息的流动，避免梯度消失问题。在LSTM的基础上，同时考虑时间序列的正向和反向信息，能够更全面地捕捉上下文信息。与LSTM类似，但同时包含正向和反向LSTM层。用于评估模型预测性能的指标，计算真实值与预测值之间的均方根误差。绘制真实值与预测值的对比图，以及预测误差图。程序已调通，可直接运行。