1.一种结合VMD分解和时间卷积网络的短期电力负荷预测方法，其特征在于，包括以下步骤：

对原始电力负荷数据进行数据清洗、归一化在内的数据预处理；

对负荷序列采用变分模态VMD分解得到分解序列；

计算各分解序列的样本熵，将样本熵值相似的模态分量合并组成新的分量；

对合并后的新分量进行归一化处理，将负荷数据映射到[0，1]之间，利用滑动窗口构建时间序列输入输出标签对，输入输出标签对用于训练模型；

构建时间卷积网络短期电力负荷预测模型，并采用Adam优化器来调节网络权重参数，寻找网络最优值。

2.根据权利要求1所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法，其特征在于，所述对负荷序列采用变分模态VMD分解得到分解序列，具体包括以下步骤：变分模态分解的实现可以分为两个步骤，构造变分问题和求解变分问题；在构造变分问题中，首先基于Hilbert变换，得到各子信号的单侧频谱，然后对每个子信号对应的中心频率ωk的指数项混叠，将子序列的频谱调制到基频带，最后对解调的信号利用高斯平滑估计出带宽，最终转化为求解带约束的变分问题。

3.根据权利要求2所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法，其特征在于，所述变分模态分解的完整流程如下：(1)初始化 其中 分别表示第k个模态分量和中心频率， 为拉格朗日算子，左上角数字1表示第一次迭代；

(2)对每一子序列，根据(3)、(4)不断更新得到 和式中： 为当前剩余分量的维纳滤波， 为与之对应模态分量的频率中心，ω为频率值； 分别表示原始序列f(t)，以及 的傅里叶变换，α为二次惩罚因子，ωk表示前一次迭代的频率中心；

(3)对于所有的ω≥0，更新

其中τ表示噪声容忍度，K表示总的模态个数，k表示第k个模态；

(4)判断是否满足迭代终止条件：不满足终止条件，则重复步骤(2)、(3)，满足条件则迭代终止，得到分解后的K个子序列。

4.根据权利要求3所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法，其特征在于，所述计算各分解序列的样本熵，将样本熵值相似的模态分量合并组成新的分量，具体包括：

利用样本熵来评估各个分量的复杂度，样本熵的值越低，序列的相似性就越高，复杂度越低，对于由N个点组成的时间序列{x(n)}＝x(1)，x(2)，...x(N)，样本熵的计算方法如下：(1)按序号组成一组维数为m的向量序列，Xm(1)，...，Xm(N‑m+1)，其中Xm(i)＝{x(i)，x(i+1)，…，x(i+m‑1)}，(1≤i≤N‑m+1)；x(i)，x(i+m‑1)分别表示原始序列中第i个和第(i+m‑1)个点；

(2)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i)，Xm(j)]为两者对应元素中最大差值的绝对值；

d[Xm(i)，Xm(j)]＝maxk＝0，...m‑1(|x(i+k)‑x(j+k)|)    (7)(3)给定阈值r，记录d[Xm(i)，Xm(j)]＜r的j的数目，记作Bi，对于1≤i≤N‑m，把Bi与N‑m+

1的比值记为：

(4)对所有 求平均值得到：

(5)增加维数到m+1，计算Xm+1(i)与Xm+1(j)距离小于等于r的个数，记作Ai， 定义为：

m

(6)定义A(r)为：

m m

B(r)和A(r)分别为序列对m和m+1点的匹配概率，此时样本熵定义为：当N取有限值时，样本熵的估计值为：

5.根据权利要求4所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法，其特征在于，所述对合并后的新分量进行归一化处理，将负荷数据映射到[0，1]之间，具体包括：归一化：即将原始数据按比例缩放在一个特定区间，转化为无量纲的纯数值，采用min‑max标准化方法将负荷映射到[0，1]之间，计算公式如下：其中，xmin和xmax分别为样本数据的最小值和最大值，x′代表映射后的值。

6.根据权利要求5所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法，其特征在于，所述利用滑动窗口构建时间序列输入输出标签对，若滑动窗口长度为7，则表示利用过去七天的负荷数据预测未来一天的负荷值，构建输入输出标签对时，利用Day1‑Day7作为输入，Day8作为输出标签；Day2‑Day8 作为输入，Day9作为输出标签，以此内推，直到遍历完整个数据集，最后采用构建的输入输出标签对用于训练模型。

7.根据权利要求6所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法，其特征在于，所述构建时间卷积网络短期电力负荷预测模型，具体包括：时间卷积网络TCN中融入了因果卷积模块、扩张卷积模块和残差连接模块，因果卷积模块用于保证时间约束按照时间先后顺序进行卷积操作，即时刻t的值只取决于前一层网络在t时刻和t时刻之前的值；此外，为了学习到更长的时序依赖、避免历史数据信息的丢失，TCN使用了扩张卷积模块，在不做池化的情况下增大感受野的大小，使每个卷积输出更大范围的信息；同时，TCN添加了残差连接模块，即输入数据直接跳过中间的卷积操作，经过1×1的卷积处理到与输出相同的维度后与输出数据相加，其结果作为本层最终的输出数据；TCN采用残差块进行堆叠，一个残差块由因果卷积、扩张卷积、权重归一化、激活函数、随机失活组成；在网络训练过程中，采用了Adam优化器来调节网络权重参数，寻找网络最优值。