1.可迁移的居民家庭用电负荷场景预测方法，其特征在于，具体按照以下步骤实施：步骤1、通过灰色关联分析源域家庭与目标域家庭负荷数据之间的关联度，构建多源域家庭负荷数据集，多源域家庭负荷数据和目标域家庭负荷数据比例为2：1；

步骤2、建立基于flow的条件生成模型，对基于flow的条件生成模型结构进行改进，得到reinforced‑flow模型，利用多源域家庭负荷数据集训练reinforced‑flow模型，具体过程为：步骤2.1、在待预测日前一日历史负荷样本X的条件下，待预测日负荷样本Y的条件概率密度函数为pY|X(y|x)，fθ表示参数化的双射函数，x，y分别为X，Y的一个样本点，将y作为输入，x作为y的条件输入，pZ表示标准高斯分布，z为潜在变量，建立基于flow的条件生成模型过程如下：‑1

使得fθ(y；x)＝z，fθ(z；x) ＝y，根据变量代换公式，y在x处的条件概率密度表示为：将公式写成对数表达式为：

采用最大似然估计法在来选择合适的θ值，以最大化上式Y的条件对数似然：当从家庭负荷数据集中收集M个独立分布样本(x1，y1)，…，(xM，yM)，根据上一个公式，在该数据集上通过以下公式来训练基于flow的条件生成模型：其中，在多源域训练集中给定一个待预测日负荷样本为yi，待预测日前一日历史负荷样本为xi；det(·)表示雅可比行列式；

在为基于flow条件生成模型构造参数化双射函数fθ时，为模型中每个仿射耦合层的缩放函数s(·)和平移函数t(·)提供了x作为额外输入，⊙表示矩阵元素乘积，给定输入y，仿射耦合层的输出如下所示：h1：d＝y1：d

hd+1：D＝yd+1：D⊙exp(s(y1：d，x))+t(y1：d，x)以上称为基于flow的条件生成模型；

步骤2.2、对基于flow的条件生成模型仿射耦合层结构进行改进，改进结构表示为：h1d＝y1：d⊙exp(s(x))+t(x)

hd+1：D＝yd+1：D⊙exp(s(y1：dx))+t(y1：d，x)x为输入参数，h为输出的预测值，y1：d为输入参数y后经缩放函数s(·)和平移函数t(·)得到的值；

将改进的基于flow的条件生成模型命名为reinforced‑flow模型；与y1：d相关联的缩放函数s(·)和平移函数t(·)的输入只有条件输入x；

假设优化后的参数为 双射函数记为 给定任何长度的历史居民负荷时间序列s，利用 的逆函数生成l个时间间隔点的时间序列，预测公式为：其中z是从标准多元高斯分布中取的任何样本，如果从标准多元高斯分布中取w个样本，能够产生w个未来住宅负荷的预测结果；

步骤2.3、将(xi，yi)作为一组独立训练样本，取M组样本(x1,y1),…,(xM,yM)，训练reinforced‑flow模型；

步骤3、冻结训练后reinforced‑flow模型的部分单步流结构参数，利用目标域家庭负荷数据训练冻结部分单步流结构参数的reinforced‑flow模型，微调未被冻结的单步流结构参数，得到目标域模型；具体过程为：进行迁移学习，在reinforced‑flow模型中有K个单步流结构，将源域中训练的reinforced‑flow模型冻结前K‑1个单步流结构参数，采用目标域数据训练部分冻结单步流结构参数的reinforced‑flow模型，调整未被冻结的单步流结构参数，迁移得到目标域模型；

步骤4、采用目标域模型对居民家庭用电负荷场景预测。

2.根据权利要求1所述可迁移的居民家庭用电负荷场景预测方法，其特征在于，步骤1具体过程为：对于采样间隔为1小时的家庭用电负荷数据集，以目标域家庭E1在t时刻的负荷值 作为参考序列，任意源域家庭Ei在t时刻的负荷值 作为观察序列；

参考序列与观察序列间某关联样本点的灰色关联系数计算公式为：其中，ρ为0到1内取值的分辨系数；

计算时间段内灰色关联系数的平均值，该值即为目标域家庭E1和源域家庭Ei的关联度值：其中，N表示采样次数；

设定关联度阈值，当计算得到的关联度值不高于关联度阈值时，则舍弃该源域家庭负荷数据，选择下一个源域家庭重复计算，当计算的关联度值高于关联度阈值时，将该源域家庭的负荷数据作为一组多源域家庭负荷数据，由多组多源域家庭负荷数据构成多源域家庭负荷数据集，多源域家庭负荷数据和目标域家庭负荷数据比例为2：1。