社区的电能消耗不时显着增加。必须平衡电能的需求和供应,以避免损害供应商和电力消费者的力量。因此,负荷预测的准确性在规划和运营中起着至关重要的作用。电力负荷通常不稳定,易挥发,如果没有规划和操作,则非常方便。规划和运营的不良或不良将对电力供应商造成极大的不利影响,也会对消费者造成伤害。而且,准确地预测电负载是具有挑战性的。在这项研究中,结合卷积神经网络(CNN)和长短期记忆(AML)和双向方向的混合模型提高了预测电力负荷的准确性。首先,CNN层的数据信息提取其特征以找出趋势并从数据中获取模式。接下来,数据信息进入LSTM层进行预测。在这个LSTM层中,有一个注意层,其功能是强调更重要的信息。除此之外,在此LSTM层中使用双向方向,这有助于LSTM不仅读取数据而且还读取未来的数据信息。在这项研究中,还使用了压差层来处理数据过度拟合问题。已使用来自AMI的实际数据测试了所提出的模型。为了证明所提出模型的有效性,将实验结果与先前在短期负荷预测研究中使用的几个基准模型进行了比较。因此,与其他模型相比,所提出的模型显示出更好的结果,并且具有足够小的误差。