1.一种基于CNN和LSTM的电力系统负荷预测方法，其特征在于，所述方法包括：获取电力系统负荷的历史时间序列数据，所述历史时间序列数据包括历史N个时间片段的电力负荷数据；

并将所述历史时间序列数据按照电力系统负荷的周期性转换为负荷图片，所述负荷图片中每个像素点均表示每个时间片段的电力负荷数据；

利用预先基于CNN网络训练得到的特征提取模型提取得到所述负荷图片中每个像素点的h个时间序列特征；

将提取得到时间序列特征的所述负荷图片再次转换为时间序列得到第一时间序列，所述第一时间序列包括N个时间片段各自对应的h个时间序列特征；

将所述第一时间序列输入预先基于LSTM网络训练得到的负荷预测模型，所述负荷预测模型输出所述电力系统负荷的预测值。

2.根据权利要求1所述的方法，其特征在于，所述特征提取模型包括若干层卷积层，每层卷积层都采用ReLU激活函数，则所述特征提取模型利用若干层卷积层对所述负荷图片进行若干次二维卷积提取每个像素点的h个时间序列特征，二维卷积的运算过程为：l+1

其中，Z 为第l+1层输出的特征图，(i,j)和(s0i+x,s0j+y)均表示像素坐标，为第l+1层输入特征图中坐标为(s0i+x,s0j+y)的对应k通道像素的值，l+1 l

(i,j)∈{0,1……Ll+1}，Ll+1为第l+1层输出的特征图Z 的尺寸，Z为第l+1层输入的特征l图，ω 为第l+1层输入的对应特征图的权重矩阵， 为对应 值的

l

权重，b为偏移量；Ll为第l+1层输入的特征图Z的尺寸，p为填充层数，f为卷积核大小，s0为卷积步长，K为卷积核的通道数。

3.根据权利要求2所述的方法，其特征在于，所述负荷图片中每行包括7 个像素点，则所述特征提取模型包括四层卷积层依次为第一卷积层、第二卷积层、第三卷积层和第四卷积层，所述第一卷积层的卷积核大小为7*2、卷积步长为1、卷积核的通道数为16，所述第二卷积层的卷积核大小为2*1、卷积步长为1、卷积核的通道数为32，所述第三卷积层的卷积核大小为2*2、卷积步长为1、卷积核的通道数为64，所述第四卷积层的卷积核大小为4*4、卷积步长为1、卷积核的通道数为128。

4.根据权利要求1所述的方法，其特征在于，所述负荷预测模型中的LSTM网络为多对多LSTM，则在所述负荷预测模型中：所述LSTM网络对所述第一时间序列处理得到第二时间序列，所述第二时间序列包括N个时间片段各自对应的h个时间序列特征；

对所述LSTM网络输出的所述第二时间序列中的每个时间片段分别应用一个全连接层得到第三时间序列，所述第三时间序列包括N个时间片段各自对应的一个时间序列特征；

对所述第三时间序列中的N个时间片段应用一个全连接层得到所述电力系统负荷的归一化后的预测值；

对所述电力系统负荷的归一化后的预测值进行反归一化得到所述电力系统负荷的预测值。

5.根据权利要求1所述的方法，其特征在于，在训练得到所述负荷预测模型时，所述LSTM网络的参数按如下公式更新：其中，ft表示遗忘门，it表示输入门，ot表示输出门，符号·表示向量的点乘，符号*表示向量元素按位相乘，Wf、Wi、WC以及Wo均为权重参数，bf、bi、bC以及bo均为偏置量参数， 为当前输入的单元状态，Ct为当前时刻的单元状态，Ct‑1为上一时刻的单元状态，[ht‑1,xt]为将上一时刻的输出ht‑1和当前时刻的输入xt连接成的一个新向量，σ为sigmoid函数。

6.根据权利要求1‑5任一所述的方法，其特征在于，所述电力系统负荷的每个周期包括t个时间片段，则所述负荷图片包括n行t列的像素点，n×t＝N；所述负荷图片中每一行对应所述电力系统负荷的一个周期，所述历史时间序列数据共包括n个周期的电力负荷数据，所述负荷图片中每一行中的t个像素点分别表示所述电力系统负荷的一个周期内t个时间片段的电力负荷数据。