1.一种基于DCAE‑LSTM短期日负荷曲线预测方法，其特征在于，具体按照以下步骤实施：步骤1、构建电力负荷带有高噪声的数据集；

所述步骤1具体按照以下步骤实施：

步骤1.1、利用最大最小归一化算法公式对初始负荷数据进行归一化处理构建标准数据集；

其中，xmin代表初始负荷数据的最小值，xmax代表初始负荷数据最大值；

步骤1.2、构建高噪声的数据集

*

将标准数据集x 划分为训练集，验证集和测试集；并向训练集加入高斯噪声，构成含噪声的新数据集；

其中，θ为负荷高斯分布的噪声， 为加入噪声后的训练数据；

步骤2、构造卷积去噪自编码器；

所述步骤2具体按照以下步骤实施：

将卷积神经网络引入去噪自编码器，使用卷积层代替去噪自编码器的全连接层，得到卷积去噪自编码器，卷积去噪自编码器中每个神经元由卷积神经元组成；

所述步骤2中，利用损失函数

式中：n为样本的总数，yi为实际值； 为通过模型计算后得到的i时刻负荷值，预测日负荷48点曲线；

k k k

若为k个卷积核，每个卷积核由参数w和b组成，用h表示卷积层，则：k

得到h进行特征重构，进而得到下式：将输入的样本和最终利用特征重构得出的结果进行欧几里得距离比较，得到完整的卷积去噪自编码器其中，xi为负荷预测的原始数据，yi为通过模型计算得到的数据，训练好的卷积去噪自编码器分为编码器和解码器两部分；

步骤3、构造基于长短期记忆网络的负荷预测网络；

所述步骤3具体按照以下步骤实施：

步骤3.1、将第N天数据输入卷积去噪自编码器的编码器，得到第N天经过降维和自动去噪的负荷数据；

步骤3.2、构建负荷预测的长短期记忆网络，该网络由三层长短期记忆网络组成，网络中的神经元都由输入门，输出门，和遗忘门构成；

步骤3.3、将步骤3.1得到的数据作为负荷预测的长短期记忆网络的输入，第N+1天的负荷数据作为输出；

步骤4、将卷积去噪自编码器与基于长短期记忆网络的负荷预测网络结合，组成混合深度神经网络；

步骤5、将步骤1中带有高噪声的数据集输入步骤4中的混合深度神经网络实现短期日负荷曲线的预测。

2.根据权利要求1所述的一种基于DCAE‑LSTM短期日负荷曲线预测方法，其特征在于，所述步骤4中，将训练好的卷积去噪自编码器的编码器，与负荷预测的长短期记忆网络结合，组成高噪声下的混合深度神经网络。