传统的时间序列缺失修复方法通常假设数据由线性动态系统产生，然而时间序列更多地表现为非线性。为此，提出了基于残差连接长短期记忆（LSTM）网络的时间序列修复模型，称为RSI-LSTM，用来有效捕获时间序列的非线性动态特性，并且挖掘缺失数据和最近的非缺失数据之间的潜在关联。具体来说，就是采用LSTM网络对时间序列的非线性动态特性进行建模，同时引入残差连接来挖掘历史值与缺失值的联系，从而提升模型的修复能力。首先使用RSI-LSTM对单变量日供电量数据集的缺失数据进行修复，然后在第九届电工数学建模竞赛A题的电力负荷数据集上，引入气象因素作为RSI-LSTM的多变量输入，以提升模型对时间序列缺失值的修复效果。此外，使用了两个通用的多变量时间序列数据集以验证模型的缺失修复能力。实验结果表明，在单变量和多变量数据集上，RSI-LSTM的缺失值修复效果均优于LSTM，得到的均方误差（MSE）总体下降了10%。