1.基于层次残差自注意力神经网络的长期电力负荷预测方法，其特征在于该方法包括以下步骤：

步骤1.从时序数据库中获取机组负荷序列的源数据和传感器监测到的天气数据；

步骤2.对源数据进行数据清洗，从清洗后的历史负荷数据与天气数据中进行特征提取，分别提取出负荷波动的趋势项，周期项，节假日项，天气项四大特征；将历史负荷序列数据与天气特征数据进行数据融合得到融合向量，用于下一步神经网络建模的输入；具体包括：使用卷积神经网络在原始负荷序列中提取出整体趋势项和周期项特征；

针对时间序列的非线性和时变性特征，将其通过浅层的神经网络进行特征分解，在分解之前，对数据进行数据清洗，对数据进行分析并且剔除其中偏移量过大的值；定义了一个混合的序列分解层神经网络，原始输入为Xinput按照以下过程，生成趋势项Xtrend特征和周期项Xperiod特征：Xtrend＝MovingAvg(Xinput)

Xperiod＝Xinput‑Xtrend

其中MovingAvg是移动平均函数，使用一个一维卷积的平均池化操作得到；

使用独热编码方式对节假日项与天气项进行特征提取，最后使用加性思想对源负荷序列与所有提取出的特征数据进行水平拼接，通过一个全连接层进行转换得到融合后的时序特征向量；

步骤3.利用层次残差自注意力神经网络对输入序列进行编码，提取并挖掘其中的重要特征，进行模型训练；具体包括：采用递归的思想，层次性地对时序特征向量进行特征降采样分解，使用残差自注意力网络对每层分解后的时序分量进行特征挖掘，在达到分解深度的基础上，将挖掘出的特征按照原相对位置进行重新组合，通过一个一维卷积层转换为预测结果，按此方式不断进行迭代，使用Adam算法作为优化算法，使用预测值与真实值之间的均方误差作为损失函数，进行模型训练；

步骤4.对待预测的源历史负荷数据提取出来的特征进行生成式编码，预测下一个时间步范围内的负荷序列；具体包括：将待预测的源负荷数据通过步骤2，3进行特征转换，将转换后的特征与初始化为预测长度的全零向量进行拼接，将拼接后的向量通过步骤3训练出的模型，进行生成式编码，预测出未来一整段的负荷序列波动。

2.根据权利要求1所述的基于层次残差自注意力神经网络的长期电力负荷预测方法，其特征在于：所述层次残差自注意力神经网络的原型是Transformer网络，将原有Transformer网络中编码器的前馈神经网络更换为了卷积网络，同时加入了更多的跨层残差连接来平稳模型训练时的梯度变化，把Transformer网络中解码器层更换为全连接层与高斯误差函数的组合。

3.根据权利要求1所述的基于层次残差自注意力神经网络的长期电力负荷预测方法，其特征在于：步骤4中所述的拼接采用水平拼接，并进行压缩。

4.根据权利要求3所述的基于层次残差自注意力神经网络的长期电力负荷预测方法，其特征在于：压缩的长度为预测长度。