1.基于MA-DBN的GIS分解气体含量预测方法，其特征在于，具体过程包括如下步骤：步骤1，采集国网对GIS设备监测到的一段时间内的SO2、SO2F2、SO2F2/SO2、气温、湿度以及海拔数据；

步骤2，构建MA模型，将步骤1采集的SO2、SO2F2和SO2F2/SO2数据作为该模型的输入，预测出未来时间段的SO2、SO2F2和SO2F2/SO2的数据；

步骤3，构建DBN模型，将步骤2预测出的SO2、SO2F2和SO2F2/SO2数据作为DBN模型的输入，通过DBN模型的修正后得到准确预测的未来时间段的SO2、SO2F2和SO2F2/SO2数据。

2.如权利要求1所述的基于MA-DBN的GIS分解气体含量预测方法，其特征在于，所述步骤2的具体过程如下：步骤2.1，构建MA模型，设观测序列为y1,y2,…yr，取移动平均的项数N＜T，一次移动平均值计算公式如式(1)和式(2)所示：根据公式(1)和公式(2)则有：

式中，N代表分解气体历史数据个数，T代表预测的数据和历史数据的数量总和，t代表输入模型的序列组别，M代表对应的预测结果；

当SO2、SO2F2和SO2F2/SO2数据的基本趋势是在某一水平波动时，使用一次移动平均方法建立预测模型，如式(4)所示：式中，t＝N,N+1,…T，其预测误差为：

式中，N期序列值的平均值作为未来各期的预测结果；

步骤2.2，将步骤1采集到的GIS设备SO2、SO2F2、SO2F2/SO2气体数据作为一个序列输入移动平均模型式(4)中，得到N期序列值的平均值即为预测出的未来时间段的SO2、SO2F2、SO2F2/SO2气体含量数据。

3.如权利要求1所述的基于MA-DBN的GIS分解气体含量预测方法，其特征在于，所述步骤3的具体过程如下：步骤3.1，构建DBN模型：

首先构建第一层RBM，RBM网络包括隐含层h和可见层v；隐含层由n个隐含的随机变量构成：h＝(h1,h2,h3,hj,…,hn)；可见层由m个随机变量构成v＝(v1,v2,v3,vi,…,vm)，用于表示观测的数据；网络连接只存在两层之间，同层内部变量之间无连接；

RBM模型的能量函数定义如式(6)所示：

其中，vi为可见单元的输入值；hj为隐单元的输出值，取值为1时表示该单元处于激活态，为0时表示处于未激活态；wij表示可见单元vi与隐单元hj之间的连接权重；ai表示可见单元vi的偏置；bj表示隐单元hj的偏置；n是隐含层节点数量；m为可见层节点数量；ai,bj,wij均为实数；θ＝(a,b,w)构成RBM的模型参数；

(v,h)的联合概率分布Pθ(v,h)如式(7)：

式中，Zθ为归一化常数，又叫做配分函数，如式(8)所示：

联立式(6)、式(7)和式(8)推导出隐单元的激活概率如式(9)所示：同样，则可见层节点的第i个节点激活概率如式(10)所示：

步骤3.2，将第一层RBM模型记为RBM1，将其隐蔽层h1作为第二层RBM2的可见层v2，构建RBM2；

步骤3.3，以相同的方式在RBM2的基础上搭建第三层RBM，完成三层RBM网络模型的构建；

步骤3.4，构建DBN网络模型的分类层：在RBM3的顶部添加一个三层BP神经网络模型，用于输出分类结果，将RBM3隐蔽层h3节点作为BP神经网络单元的可见层输入端，得到气体含量预测修正模型，气体含量预测修正模型的输出层由3个结点单元组成，每个单元分别代表SO2、SO2F2和SO2F2/SO2中的一种气体的数据；

步骤3.5，将步骤2预测的未来时间段的气体数据和步骤1采集的气温、温度和海拔数据作为气体含量预测修正模型的输入，训练气体含量预测修正模型，完成后输出准确预测的未来时间段的SO2、SO2F2和SO2F2/SO2数据。

4.如权利要求3所述的基于MA-DBN的GIS分解气体含量预测方法，其特征在于，所述步骤3.5中的训练气体含量预测模型的过程如下；

将步骤2预测的未来时间段的气体数据和步骤1采集的气温、温度和海拔数据作为气体含量预测模型的输入，采用逐层无监督贪婪学习算法对气体含量预测模型中的RBM进行预训练，直至达到提前设定的训练误差后，模型训练完成输出准确预测的未来时间段的SO2、SO2F2和SO2F2/SO2数据。

5.如权利要求3所述的基于MA-DBN的GIS分解气体含量预测方法，其特征在于，所述激活函数sigmoid函数，如式(11)所示：