1.基于BiLSTM的短期电力负荷预测方法，其特征是：包括以下步骤：
步骤一：确定预测日期，从历史数据中获取短期电力负荷样本数据，根据历史电力负荷变化情况获取短期电力负荷特性；
步骤二：采用日均负荷日期映射法对日期因素进行数字化映射，获得日期因素映射值WHmap，针对短期电力负荷样本数据利用主成分分析技术进行分析，得到短期电力负荷的主成分分量数据；
步骤三：将预测日的日期特征、气象特征输入数据库，构建支持向量机模型，并根据主成分分量数据构建训练集；
步骤四：利用遗传算法对相关因素F进行筛选，构建预测模型，并将筛选后的相关因素Fpred
作为输入值输入，获得短期电力负荷预测结果y ；
步骤五：数据库数据预处理，包括缺失数据补充、数据归一化，采用高斯混合模型聚类GMM进行日负荷场景划分；首先将日期特征作为初次GMM聚类的输入，完成日负荷场景的初次划分工作；
步骤六：将原始数据库划分为训练集和预测集，进行日前预测工作，建立基于BiLSTM的负荷预测模型，完成预测工作。
2.根据权利要求1所述的基于BiLSTM的短期电力负荷预测方法，其特征是：所述日期特征是影响日负荷场景划分的显著因素；因此，初次GMM聚类以日期特征为输入完成聚类；日期特征分为工作日、周末、法定节假日三种不同的情况，按照one‑hot编码形式对日期特征进行编码，即工作日为[1,0,0]，周末为[0,1,0]，法定节假日为[0,0,1]；当周末与法定节假日重合时，统一按照节假日处理，后续在节假日场景下进行预测时，加入“是否为周末”这一特征作为区分；将上述经过编码后的三维日期特征作为初次GMM聚类的输入，完成初次聚类，得到以日期特征为划分的日负荷场景。
3.根据权利要求2所述的基于BiLSTM的短期电力负荷预测方法，其特征是：所述的气象特征包括温度、湿度、降水量或其他不同类型的数据。
4.根据权利要求1所述的基于BiLSTM的短期电力负荷预测方法，其特征是：运用训练集对支持向量机模型进行训练，得到短期电力负荷预测模型；利用所述短期电力负荷预测模型对未来短期的电力负荷进行预测。
5.根据权利要求4所述的基于BiLSTM的短期电力负荷预测方法，其特征是：所述预测模型为GA‑SSA‑LSSVM预测模型，GA算法部分进行相关因素F的筛选，SSA算法优化部分获得最优LSSVM模型参数，LSSVM算法根据筛选后的相关因素F以及最优LSSVM模型参数进行仿真预测，得到最优的电力负荷预测值。
6.根据权利要求1所述的基于BiLSTM的短期电力负荷预测方法，其特征是：所述SSA算法优化部分获得最优LSSVM模型参数，包括如下步骤：
S41：设置相关参数变量值；
S42：对群体进行初始化；
S43：构建适应度函数；
S44：根据适应度函数不断优化，获得最佳惩罚函数C和最佳核函数宽度σ。
7.根据权利要求6所述的基于BiLSTM的短期电力负荷预测方法，其特征是：所述从历史数据中获取短期电力负荷样本数据，具体包括：从历史数据中获取历史负荷数据；将历史负荷数据整理为矩阵大小为m×k维的样本矩阵，所述样本矩阵为短期电力负荷样本数据。
8.根据权利要求7所述的基于BiLSTM的短期电力负荷预测方法，其特征是：所述针对短期电力负荷样本数据利用主成分分析技术进行分析，得到短期电力负荷的主成分分量数据，具体包括：将短期电力负荷样本数据进行中心化，得到去平均数据集；计算去平均数据集的协方差矩阵；求出所述协方差矩阵的特征值和对应的特征向量；将所述协方差矩阵的特征值从大到小排序，取出最大的n个特征值，所述n至少为1；将n个特征值所对应的特征向量组成特征矩阵；构建主成分分量的约束函数，并将短期电力负荷样本数据投影到特征矩阵中，得到短期电力负荷的主成分分量数据。