1.一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：执行如下步骤A至步骤D，获得目标电力系统所对应的电力负荷预测模型，然后执行步骤i至步骤iv，针对目标电力系统进行电力负荷预测；

步骤A.获得目标电力系统分别对应预设历史时段内各采样时刻下预设各初选传感器的数据值、以及电力负荷的数据值，并进行数据预处理更新，然后进入步骤B；

步骤B.分别针对各采样时刻下各初选传感器的数据值、以及电力负荷的数据值，执行STL分解，获得数据值分别对应趋势分量的数据值、季节分量的数据值、残差分量的数据值，然后进入步骤C；

步骤C.分别针对趋势分量、季节分量、残差分量，筛选获得分量下与电力负荷相关性值大于预设相关阈值的各初选传感器，构成分量所对应各目标传感器，然后进入步骤D；

步骤D.分别针对趋势分量、季节分量、残差分量，以分量所对应各目标传感器、以及电力负荷分别对应分量下预设数量m个连续采样时刻的数据值为输入，结合电力负荷对应分量下第m+1个采样时刻的数据值为输出，针对目标待训练网络进行训练，获得目标电力系统对应分量下的电力负荷预测模型，进而获得目标电力系统分别对应趋势分量、季节分量、残差分量下的电力负荷预测模型，组合构成目标电力系统所对应的电力负荷预测模型；步骤i.汇总趋势分量、季节分量、残差分量分别所对应的各目标传感器，并基于自当前采样时刻起向历史时间方向的m个连续采样时刻构成各个目标采样时刻，采集目标电力系统分别对应各目标采样时刻下全部各目标传感器的数据值、以及电力负荷的数据值，然后进入步骤ii；

步骤ii.分别针对各目标采样时刻下全部各目标传感器的数据值、以及电力负荷的数据值，执行STL分解，获得数据值分别对应趋势分量的数据值、季节分量的数据值、残差分量的数据值，然后进入步骤iii；

步骤iii.以当前采样时刻向未来时间方向的下一相邻采样时刻为预测时刻，分别针对趋势分量、季节分量、残差分量，以各目标采样时刻下分量所对应各目标传感器、以及电力负荷分别对应分量下的数据值为输入，应用目标电力系统对应分量下的电力负荷预测模型，获得预测时刻下电力负荷对应分量下的数据值，进而获得预测时刻下电力负荷分别对应趋势分量、季节分量、残差分量的数据值，然后进入步骤iv；

步骤iv.针对预测时刻下电力负荷分别对应趋势分量、季节分量、残差分量的数据值，执行相加处理，获得目标电力系统对应预测时刻下的电力负荷。

2.根据权利要求1所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述步骤A中，获得目标电力系统分别对应预设历史时段内各采样时刻下预设各初选传感器的数据值、以及电力负荷的数据值后，分别以各初选传感器、以及电力负荷作为预处理对象，执行如下步骤A1至步骤A3，针对预处理对象对应各采样时刻的数据值进行预处理更新；

步骤A1.针对预处理对象对应各采样时刻的数据值，执行去噪更新，然后进入步骤A2；

步骤A2.依据预处理对象对应的预设正常值范围，判断预处理对象对应各采样时刻的数据值中是否存在异常值，是则以各正常值的平均值针对异常值进行替换更新，否则不做任何处理，然后进入步骤A3；

步骤A3.针对预处理对象对应各采样时刻的数据值进行归一化更新。

3.根据权利要求1所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述步骤B中，分别针对各采样时刻下各初选传感器的数据值、以及电力负荷的数据值，按如下公式：X(t)＝T(t)+S(t)+R(t)

执行STL分解，获得数据值X(t)分别对应趋势分量的数据值T(t)、季节分量的数据值S(t)、残差分量的数据值R(t)，其中，X(t)表示对应第t个采样时刻的数据值，T(t)表示对应第t个采样时刻的数据值所对应趋势分量的数据值，S(t)表示对应第t个采样时刻的数据值所对应季节分量的数据值，R(t)表示对应第t个采样时刻的数据值所对应残差分量的数据值。

4.根据权利要求1所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述步骤C中，分别针对趋势分量、季节分量、残差分量，执行如下步骤C1至步骤C2；

步骤C1.分别针对各初选传感器，按如下公式：

获得初选传感器与电力负荷之间对应分量下的相关性值MI(Ua,Ub)，其中，1≤b≤B，B表示初选传感器的数量，Ub表示第b个初选传感器对应分量下各采样时刻的数据值序列，Ub(t)表示Ub中第t个采样时刻的数据值，Ua表示电力负荷a对应分量下各采样时刻的数据值序列，Ua(t)表示Ua中第t个采样时刻的数据值，MI(Ua,Ub)表示Ua与Ub之间的相互性值，基于1≤t≤T，T表示预设历史时段内采样时刻的数量，P(Ua(t))表示Ua的分布概率值，P(Ub(t))表示Ub的分布概率值，P(Ua(t),Ub(t))表示Ua与Ub的联合分布概率值；然后进入步骤C2；

步骤C2.筛选获得相关性值大于预设相关阈值的各初选传感器，构成分量所对应各目标传感器。

5.根据权利要求1所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述步骤D中的目标待训练网络自输入端至输出端方向依次串联输入层、多项式层、堆叠式长短期记忆网络、复合全连接层、Dropout层、融合层、第二全连接层、线性变换层，其中，堆叠式长短期记忆网络包括自输入端至输出端方向依次串联的两个长短期记忆网络，复合全连接层包括自输入端至输出端方向依次串联的第一全连接层与激活层，融合层的输入端同时对接输入层的输出端，由融合层针对输入层的输出与Dropout层的输出进行相加，并输出相加结果至第二全连接层的输入端。

6.根据权利要求5所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述多项式层针对输入层所接收并转发的输入数据X(t)＝x1(t)、…、xQ(t)，1≤t≤m，做如下操作；Q表示分量所对应目标传感器的数量加1；

首先根据目标待训练网络所对应的预设最高展开次项M，按如下公式：

2 M T

I(t)＝[1,x1(t)…xQ(t),x1(t)x2(t)…(xQ(t)) ,…,x1(t)…xM(t)…(xQ(t)) ]获得I(t)，I(t)表示输入数据x1(t)、…、xQ(t)关于最高展开次项M的各次项展开式；

然后依据Wp＝[w1,p,…,wn,p,…,wN(Q,M),p]，1≤p≤P，1≤n≤N(Q,M)，按如下公式：lp(t)＝Wp·I(t)

T

获得lp(t)，进而获得L(t)＝[l1(t),…,lp(t),…,lP(t)]，并向堆叠式长短期记忆网络输出，其中，lp(t)表示多项式层中第p层对应第t个采样时刻的输出，N(Q,M)表示基于Q、M的多项式层中单项式个数，Wp表示多项式层中第p层的权值向量，wn,p表示Wp中第n个权值，wn,p是多项式层中的待训练参数。

7.根据权利要求6所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述堆叠式长短期记忆网络中，由顺序第一个长短期记忆网络接收多项式层的输出L(t)，按H1(t)＝LSTM1(L(t))，获得H1(t)，并输出至顺序第二个长短期记忆网络，由顺序第二个长短期记忆网络接收顺序第一个长短期记忆网络的输出H1(t)，按H2(t)＝LSTM2(H1(t))，获得H2(t)，并向复合全连接层输出，其中，LSTM1( )表示顺序第一个长短期记忆网络函数，LSTM2( )表示顺序第二个长短期记忆网络函数；

所述复合全连接层中，首先由第一全连接层接收堆叠式长短期记忆网络的输出H2(t)，按如下公式：[h1(t),…,hp(t),…,hP(t)]＝FC1(H2(t))

获得[h1(t),…,hp(t),…,hP(t)]，并输出至激活层，其中，FC1()表示第一全连接层函数，hp(t)表示第一全连接层中第p层对应第t个采样时刻的输出，1≤t≤m；

然后由激活层接收第一全连接层的输出[h1(t),…,hp(t),…,hP(t)]，按如下公式：tanh[h1(t),…,hp(t),…,hP(t)]＝[b1(t),…,bp(t),…,bP(t)]获得[b1(t),…,bp(t),…,bP(t)]，并向Dropout层输出，其中，tanh[]表示激活层函数，bp(t)表示激活层中第p层对应第t个采样时刻的输出。

8.根据权利要求7所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述Dropout层接收复合全连接层的输出[b1(t),…,bp(t),…,bP(t)]，按如下公式：G(t)＝Dropout[b1(t),…,bp(t),…,bP(t)]

获得G(t)，并向融合层输出，其中，Dropout[]表示失活层函数，1≤t≤m；

融合层接收失活层的输出G(t)，以及接收输入层转发的输入数据X(t)，按如下公式：

Z(t)＝G(t)+X(t)＝[z1(t),…,zl(t),…,zL(t)]

执行融合处理获得[z1(t),…，zl(t)，…，zL(t)]，并向第二全连接层输出，其中，1≤l≤L，L表示融合层输出的维度，zl(t)表示融合层中第l层对应第t个采样时刻的输出。

9.根据权利要求8所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述第二全连接层接收融合层的输出[z1(t),…,zl(t),…,ZL(t)]，按如下公式：R(t)＝FC2[z1(t),…,zl(t)，…，zL(t)]＝[r1(t),…,rl(t),…,rL(t)]获得[r1(t),…,rl(t),…,rL(t)]，并向线性变换层输出；其中，FC2( )表示第二全连接层函数；rl(t)表示第二全连接层中第l层对应第t个采样时刻的输出；

线性变换层接收第二全连接层的输出[r1(t),…,rl(t),…,rL(t)]，并基于1≤t≤m，按如下公式：获得 输出，其中， 表示线性变换层对应第m+1个采样时刻的输出，Φ

和Θ表示线性变换层的权重矩阵和偏置项。

10.根据权利要求1所述一种基于SLSTM‑RMTN模型的电力负荷预测方法，其特征在于：所述步骤D中依据Adam优化器，针对预设目标待训练网络进行训练的过程中，依次分别针对其中的各次迭代，首先按如下MSE损失函数，获得损失结构Lk，其中，yj,k表示目标待训练网络对应第k次迭代下第j个样本的实际值，表示目标待训练网络对应第k次迭代下第j个样本的预测值，J表示用于训练的样本数量，Lk表示第l次迭代下的损失值；

然后分别针对目标待训练网络中多项式层各系数的数据值、以及堆叠式长短期记忆网络中的各权重的数据值，按如下公式进行更新；

其中，αk表示对应第k次迭代的数据值，αk+1表示对应第k+1次迭代的更新数据值， 表示Lk对αk的梯度，η表示学习率。