1.一种基于神经网络的电力消费概率预测方法，其特征在于，包括以下步骤：S1、收集电力消费的历史数据，划分为训练集和测试集，并对历史数据中的变量做归一化处理；

S2、构建基于卷积架构和自注意力机制的神经网络模型；所述神经网络模型，其结构包括：时间卷积网络TCN、门控残差网络GRN、嵌入层、多头注意力机制模块，所述步骤S2具体为：

1×T

S2‑1、将历史数据中从起始时刻到T时刻的用电量z1:T∈R 和从起始时刻到T时刻的时

3×T

间信息x1:T∈R 在行的维度上拼接后得到输入数据X，将X输入时间卷积网络TCN，输出值经

1×25 1×1

转置后得到特征at∈R ；将用户的编号信息s∈R 输入嵌入层，经过处理后得到向量c∈

1×160

R ；

1×160 1×25

S2‑2、将用户编号信息向量c∈R 和时间卷积网络TCN提取的特征at∈R 通过门控残差网络GRN融合，得到包含用户编号信息与用电量信息的特征向量hGRN；

S2‑3、所述特征向量hGRN混合位置编码向量epos[1:T]后，分别通过全连接层FC输出向量K和向量V；将从T+1时刻到T+H时刻的时间信息xT+1:T+H转置，通过全连接层FC后结合位置编码向量epos[T+1:T+H]，输出向量Q；将向量K、向量V和向量Q输入多头注意力机制模块，得到H×160输出值hattn∈R ；

H×160

S2‑4、所述输出值hattn∈R 经过标准化层Norm后，由线性激活函数ReLU激活，最后通过全连接层FC输出分位数预测结果 其中q∈{0.1,0.5,0.9}；将 作为点预测的结果，将 和 作为80％置信度下概率预测的上下界；

S3、使用处理后的训练集数据训练神经网络模型，利用测试集选取预测精度最高的模型作为训练好的神经网络模型；

S4、选取电力消费的近期数据并进行预处理，将预处理后的近期数据输入训练好的神经网络模型，对模型的输出值进行逆归一化处理得到概率预测结果。

2.根据权利要求1所述的一种基于神经网络的电力消费概率预测方法，其特征在于，步骤S1中所述收集电力消费的历史数据，以时间序列的方式进行收集，所述时间序列包括时间序列中各个时间点对应的时间信息、用电客户在相同时间间隔内的用电量、不同用电客户的用户编号信息，所述时间信息包括年份、月份、星期、小时、分钟、秒。

3.根据权利要求2所述的一种基于神经网络的电力消费概率预测方法，其特征在于，所述步骤S1，包括：S1‑1、收集电力消费的历史数据，将前n％的数据划分为训练集，后(100‑n)％的数据划分为测试集；

S1‑2、将训练集及测试集中的历史数据划分为若干个预设长度的样本，所述预设长度为(T+H)，将每个样本前T个时间点的数据作为输入神经网络模型的历史时间序列数据，将后H个时间点的数据作为预测结果的真值；

S1‑3、对训练集中历史数据包括的时间信息和用电量作归一化处理。

4.根据权利要求3所述的一种基于神经网络的电力消费概率预测方法，其特征在于，所述对时间信息作归一化处理的具体内容为，将时间信息转换为月、周、时，并分别对月、周、时做归一化处理得到时间信息变量；

其中用户从t1时刻到t2时刻的用电量表示为 从t1时刻到t2时刻的时间信息变量表示为 用户的编号信息表示为s。

5.根据权利要求4所述的一种基于神经网络的电力消费概率预测方法，其特征在于，所述神经网络模型，除下述参数以外，其余变量的维度均设置为160：输入输出数据的维度自适应变化；时间卷积网络TCN中的相关参数。

6.根据权利要求1所述的一种基于神经网络的电力消费概率预测方法，其特征在于，所述步骤S3，具体为：S3‑1、将处理后的训练集前T个时间点的数据输入神经网络模型，输出分位数预测结果；

S3‑2、将分位数预测结果逆归一化后与预测结果的真值，即训练集后H个时间点的数据做对比，通过损失函数计算模型损失，根据模型损失通过梯度下降算法更新神经网络模型的参数；

S3‑3、利用测试集数据计算模型预测精度的评价指标，完成一轮训练；

S3‑4、预设训练轮数，完成预设轮数训练后选取评价指标最高轮次的模型进行保存。

7.根据权利要求6所述一种基于神经网络的电力消费概率预测方法，其特征在于，所述损失函数为分数位损失函数，具体函数如下：其中 表示预测目标的真值，Ω表示包含了M个样本的训练样本域，H表示预测窗口的大小，Θ＝{0.1,0.5,0.9}表示所取的分位数的集合， 表示的是模型在时间点t的q分位数预测结果。

8.根据权利要求7所述一种基于神经网络的电力消费概率预测方法，其特征在于，所述用于计算模型预测精度的评价指标，其具体函数为：其中， 表示包含了N个样本的验证样本域；yt表示t时刻预测结果的真值。

9.根据权利要求1所述一种基于神经网络的电力消费概率预测方法，其特征在于，所述步骤S4，具体为：S4‑1、选取当前时间点前T个时间点的数据进行预处理；

S4‑2、将预处理后的数据输入训练好的神经网络模型，得到模型输出；

S4‑3、将模型输出逆归一化，还原成原始的时间尺度，得到点预测结果和概率预测结果，所述概率预测结果为80％置信度下预测结果的取值范围。