1.一种电力数据预测方法，其特征在于，包括：

获取时间长度大于一个时间步长的电力数据时间序列，电力数据包括多维特征，将所述电力数据时间序列作为明文序列；

基于全同态加密算法对明文序列进行加密获得密文序列；

将密文序列输入训练好的预测模型，所述预测模型输出下一时间步长的密文预测结果；其中，预测模型包括依次连接的特征加权单元、线性层、卷积层、预测全连接层和输出层，所述特征加权单元基于注意力权重矩阵对密文序列中各维特征进行加权处理，注意力权重矩阵中不同维特征具有不同的注意力权重，具体为将注意力权重矩阵W1与密文序列X进行逐元素相乘，生成加权特征数据Y：Y＝X*W1；

其中，Y的形状为(N，T，f)；X表示密文序列，形状为(N，T，f)；N是电力数据时间序列的时间长度，T是时间步长，f是电力数据的维度数；所述注意力权重矩阵通过训练权重神经网络获得，包括：步骤一，建立权重神经网络，权重神经网络包括全局平均池化层和权重全连接层；其中，全局平均池化层将权重训练样本数据压缩为特征描述符，权重全连接层表示为FC1(A)＝W1*A+b1，A表示全局平均池化层输出的特征描述符，b1表示权重全连接层的偏置向量；

步骤二，构建权重训练数据集，权重训练数据集包括多个权重密文训练样本，权重密文训练样本通过电力数据时间序列同态加密后获得；

步骤三，利用权重训练数据集对权重神经网络进行训练，训练完成后输出注意力权重矩阵；在每轮训练中利用交叉熵损失函数计算每维特征的信息熵，并基于信息熵调整注意力权重矩阵中该维特征的注意力权重；

基于全同态加密算法对密文预测结果进行解密获得下一时间步长的明文预测结果。

2.如权利要求1所述的电力数据预测方法，其特征在于，所述线性层对特征加权单元输出的加权特征数据按照如下公式进行特征变换：Z＝Y*W2+b2；

其中，Z表示线性层的输出特征，W2表示线性层权重矩阵，b2表示线性层偏置向量，Y表示特征加权单元输出的加权特征数据。

3.如权利要求2所述的电力数据预测方法，其特征在于，所述卷积层使用一维卷积，卷积核K的大小为(1，f，1)，f是电力数据的特征维数，卷积层的操作为：Z′＝Z×K；

其中，Z′表示卷积层的输出特征，运算符×表示逐元素的乘积累加运算。

4.如权利要求3所述的电力数据预测方法，其特征在于，所述预测全连接层对卷积层的输出特征的展平结果进行如下处理：FC3(Flatten(Z′))＝W3*Flatten(Z′)+b3；

其中，Flatten(Z′)表示卷积层的输出特征的展平结果，W3表示预测全连接层权重矩阵，b3表示预测全连接层偏置向量。

5.如权利要求1或2或3所述的电力数据预测方法，其特征在于，所述全同态加密算法为改进的CKKS同态加密算法，在改进的CKKS同态加密算法中基于快速傅里叶变换进行密文之间相乘。

6.如权利要求5所述的电力数据预测方法，其特征在于，第一密文和第二密文相乘操作过程为：分别将第一密文和第二密文转换为点值形式；

分别对第一密文和第二密文的点值形式进行FFT转换，获得第一密文对应的第一离散傅里叶序列以及第二密文对应的第二离散傅里叶序列；

将第一离散傅里叶序列和第二离散傅里叶序列进行逐个元素相乘获得相乘离散序列；

对相乘离散序列进行反离散傅里叶变换获得第一密文和第二密文的相乘结果。

7.一种电力数据预测装置，实现如权利要求1‑6之一所述的电力数据预测方法，其特征在于，包括：明文序列获取模块，用于获取时间长度大于一个时间步长的电力数据时间序列，电力数据包括多维特征，将所述电力数据时间序列作为明文序列；

加密模块，基于全同态加密算法对明文序列进行加密获得密文序列；

预测模块，将密文序列输入训练好的预测模型，所述预测模型输出下一时间步长的密文预测结果；其中，预测模型包括依次连接的特征加权单元、线性层、卷积层、预测全连接层和输出层，所述特征加权单元基于注意力权重矩阵对密文序列中各维特征进行加权处理，注意力权重矩阵中不同维特征具有不同的注意力权重，具体为将注意力权重矩阵W1与密文序列X进行逐元素相乘，生成加权特征数据Y：Y＝X*W1；

其中，Y的形状为(N，T，f)；X表示密文序列，形状为(N，T，f)；N是电力数据时间序列的时间长度，T是时间步长，f是电力数据的维度数；

所述注意力权重矩阵通过训练权重神经网络获得，包括：

步骤一，建立权重神经网络，权重神经网络包括全局平均池化层和权重全连接层；其中，全局平均池化层将权重训练样本数据压缩为特征描述符，权重全连接层表示为FC1(A)＝W1*A+b1，A表示全局平均池化层输出的特征描述符，b1表示权重全连接层的偏置向量；

步骤二，构建权重训练数据集，权重训练数据集包括多个权重密文训练样本，权重密文训练样本通过电力数据时间序列同态加密后获得；

步骤三，利用权重训练数据集对权重神经网络进行训练，训练完成后输出注意力权重矩阵；在每轮训练中利用交叉熵损失函数计算每维特征的信息熵，并基于信息熵调整注意力权重矩阵中该维特征的注意力权重；

解密模块，基于全同态加密算法对密文预测结果进行解密获得下一时间步长的明文预测结果。

8.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的电力数据预测方法。