1.一种电力负荷预测方法，其特征在于，包括以下步骤：

(1)预先获取多个区域的电力负荷的原始数据，并对原始数据进行预处理；

(2)采用InfoGAN生成对抗网络对电力负荷中缺失的数据进行重构，反映电力负荷系统的真实状态；

(3)采用图卷积神经网络算法对电力负荷数据进行特征提取，把提取的有效电力负荷数据构成邻接矩阵；

(4)采用随机对立学习策略、饥饿搜索策略和准反向学习策略对DBO算法进行改进，得到IDBO算法；

(5)把邻接矩阵输入构建的周期性解耦神经网络模型中进行训练，同时利用IDBO算法优化周期性解耦神经网络模型参数，利用训练优化后的周期性解耦神经网络模型对电力负荷进行预测；

所述步骤(4)实现过程如下：

利用随机对立学习策略对蜣螂优化算法进行初始化种群位置，提高算法的求解性能，初始化的公式如下：Xi，new＝(lb+ub)‑kXi

其中，Xi，new为随机对立学习生成的反向解；Xi为原解；k为[0,1]之间的随机数；lb和ub分别代表下界和上界；经过随机对立学习策略后，生成N个反向解，如果反向解适应度优于原解，就用反向解代替原解，反之保留原解；进而改善收敛速度和精度；

在算法寻优过程中，当蜣螂表现出能量较低、适应度较差时，蜣螂处于饥饿状态，通过改变蜣螂的寻优路径增强搜索能力，从而避免算法陷入局部最优；当蜣螂种群数量迭代超过1/2时，引入饥饿搜索策略对原蜣螂寻优路径进行改变；饥饿搜索策略表达式如下：xnew＝xprey×ω+F1×α×dm×r1×exp(xworse–xm)其中，xnew代表个体的新位置；xprey代表猎物在环境中的最佳位置；ω代表自适应权重因子；F1代表搜索方向不断改变的标志；α代表非线性密度因子；dm表示猎物和第m只蜣螂之间的距离；r1代表的是为0～1的随机数；xworse表示的是全局最差的位置；xm为当前种群个体的位置；

引入自适应准反向学习策略，公式如下所示：

其中，t表示当前迭代次数， 表示第m只数蜣螂在第t次迭代时的位置，pop表示有限个蜣螂数量；

随着迭代的进行，使用种群线性递减策略，逐步减少使用准反向学习策略的个体数量，具体计算公式如下所示：其中，pop’表示采用准反向学习策略的种群数量，popmin和popmax分别表示最小和最大数量，t表示当前迭代次数，M表示最大迭代次数。

2.根据权利要求1所述的一种电力负荷预测方法，其特征在于，步骤(1)所述的电力负荷的原始数据包括历史负荷数据、天气数据、节假日信息。

3.根据权利要求1所述的一种电力负荷预测方法，其特征在于，步骤(1)所述的对原始数据进行预处理包括：对数据进行清洗，检测和处理异常值；对电力负荷数据进行插值平滑处理，以去除噪声并使其更容易分析；把处理过的数据分训练集和测试集。

4.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤(2)实现过程如下：对预处理后数据，从随机变量a中抽取隐含编码b，将a和b两部分数据转入生成器，并生成样本G(a,b)，然后分类器C通过Softmax函数对生成的样本进行分类，而判别器则判定生成样本的真假，最后使用各网络的输出构造误差函数，通过反馈误差更新各网络参数，实现模型的不断优化；

确立InfoGAN的目标函数：

minGmaxDV(D,G)＝V(D,G)‑λI(b；G(a,b))其中，V(D,G)表示生成器和鉴别器的差异程度；I(b；G(a,b))表示互信息；

对于I(b；G(a,b))互信息中难以计算的边缘概率，使用变分推断构建一个近似分布H(G,P)去代替它；通过sleep‑sleep算法来优化H(G,P)，从而获得最终的InfoGAN损失函数，如下式：minG,PmaxDV(D,G,P)＝V(D,G)‑λH(G,P)通过InfoGAN内部生成器G、鉴别器D和分类器C的对数据的优化，实现对电力负荷中缺失的数据重构。

5.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤(3)实现过程如下：使用s层GCN来对区域时空相关图GT进行处理的过程为：

式中，AT＝AT'+E，AT'为节点之间的邻接矩阵，E为单位矩阵，DT为AT的度矩阵， 为第ss‑1层的特征矩阵，W 为第s层待训练的权重矩阵，ReLU为激活函数，增加了非线性特征；使用 来表示由GCN模型生成的输出矩阵，即输出矩阵就是提取的有效电力负荷数据所构成的邻接矩阵。

6.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤(5)实现过程如下：把邻接矩阵输入周期性解耦神经网络模型进行训练，对输入周期性解耦神经网络模型的数据需要经过三个模块，首先是多周期解耦块，然后是双变量建模块，最后变化聚合块，进而得到最终的电力负荷预测结果；

采用IDBO算法对周期性解耦神经网络模型的最优超参数进行寻找，即对模型中补丁长度和步幅这两个参数进行调整，随着不断迭代，IDBO算法中出现适应度值很高的个体即超参数的最优值；

对于多周期解耦块，是使用周期性提取器和基于周期的重塑器将一维时间序列转换为二维空间；然后利用时间变化解耦器通过“周期补丁”和“频率切片”对长短期信息进行解耦；周期性提取器和基于周期的重塑器强调时间序列的原始一维结构不能充分表示相邻时间点的变化，采用快速傅里叶变换在频域对时间序列进行如下分析：A＝Avg(Amp(FFT(XI)))

其中，FFT和Amp分别表示傅里叶变换和幅度提取；XI代表历史输入电力负荷数据；在d个信道上的信道平均操作Avg产生 表示t个频率的幅值；

双变量建模块由两部分组成：长期变化提取器和短期变化提取器；采用双分支并行架构对时间序列中的长期和短期变化进行建模；长期变化提取器是利用给定具有长期信息的补定 通过线性投影将它们投影到潜在空间中：其中，D为潜在空间的维数；N为补丁个数；Linear为线性投影； 将通过几个Transformer编码器层；各层的具体流程如下：其中，BatchNorm表示批规范化；MLP是一种多层线性前馈神经网络；MSA表示多头自注意机制通过使用多个独立的自注意头来增强表征能力；每个头捕获不同补丁之间不同类型的长期依赖关系，通过以下方式组合以获得更全面的依赖关系：在双变量建模块中的短期变化提取器包含一系列卷积块，每个卷积块由一个卷积层和一个非线性激活函数组成；这些块按顺序排列，以逐渐扩大接受野，适应不同长度的周期；

对于每个局部切片 每个块的过程为：

其中，SELU表示缩放指数线性单位；为了得到卷积部分的最终预测，使用了连接和截断操作：其中，Truncate表示截断函数，Concat表示连接函数；

双变建模块的最终输出为 和 的总和：

对于变化聚合块，变异聚合块整合将这k个结果连接起来，然后通过一个参数共享的线性层将它们映射到单变量预测XO：最终多元预测预测结果是由多个单变量预测XO叠加得到。

7.一种装置设备，其特征在于，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1至6任一项所述的一种电力负荷预测方法的步骤。

8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1至6任一项所述的一种电力负荷预测方法的步骤。