深度学习模型介绍：BP、RNN、LSTM、BiLSTM

2.1 模型介绍

BP 神经网络: BP 神经网络是一种广泛应用的神经网络，它是一种多层前馈网络，采用误差反向传播算法来训练。该算法利用梯度下降法和梯度搜索技术，使网络的实际输出值和期望输出值的误差均方差最小化。BP 神经网络包括输入层、隐藏层和输出层。
RNN: 循环神经网络是一种用于处理序列数据的人工神经网络。RNN 的特点是引入了循环结构，使网络的输出不仅与当前输入有关，也与之前的输入有关。RNN 的基本结构包括输入层、隐藏层和输出层。每个时间步都有一个输入和一个隐藏状态，它们进行运算以产生输出和更新后的隐藏状态。这样，RNN 可以利用之前的信息来更好地预测未来的输出。近年来，基于 RNN 的深度学习模型在光伏预测领域得到广泛应用。
LSTM: LSTM 是一种特殊的 RNN，用于处理长序列数据。它可以有效地解决传统 RNN 网络在长序列数据训练中出现的梯度消失和梯度爆炸问题。LSTM 网络引入门控机制（包括输入门、遗忘门和输出门），控制信息的流动，从而实现对长期信息的有效记忆和处理。LSTM 网络在光伏预测领域得到广泛应用。
BiLSTM: BiLSTM 网络是一种循环神经网络的变种，它结合了正向和反向的信息流，能够更好地捕捉上下文信息。BiLSTM 网络由两个 LSTM 组成，分别由正向和反向的输入序列驱动。两个 LSTM 的输出会被合并起来，得到一个全局的、上下文丰富的表示。在自然语言处理、语音识别、图像处理等方面得到了广泛的应用。