1.一种智能电网电力调度优化方法，其特征在于，包括以下步骤：

步骤1：获取电网运行数据，包括发电机组出力曲线、配网拓扑结构、储能设备容量、可再生能源预测出力及用户负荷时序数据，当数据存在缺失或噪声时，采用联邦学习方法联合多区域边缘节点进行分布式数据清洗与插补；

步骤2：基于动态时间规整算法对齐历史负荷数据与气象因子时间序列，构建电力负荷时空耦合预测模型，采用注意力机制增强的深度残差网络提取负荷波动特征，融合LSTM网络捕捉时序相关性，生成区域级负荷预测结果；

步骤3：构建多能源耦合调度模型，以火电、风电、光伏、储能为决策单元，采用双层图卷积网络建模能源节点间功率流动约束，定义节点平衡方程为拓扑邻接矩阵与能源转换效率的张量乘积形式，并引入虚拟节点处理跨电压等级能量传输损耗；

步骤4：基于实时电价波动信号建立需求响应博弈模型，将用户负荷调整行为建模为不完全信息下的非合作博弈过程，采用量子粒子群算法求解纳什均衡点，生成分时电价激励策略；

步骤5：建立多时间尺度滚动优化框架，将调度周期分解为日前、日内、实时三阶段，采用深度强化学习算法构建动态决策策略，定义状态空间为电网运行参数、动作空间为机组启停指令及储能充放电速率，通过双延迟深度确定性策略梯度算法更新策略网络参数；

步骤6：对调度参数进行多目标敏感性分析，采用改进的希尔伯特‑施密特独立性准则筛选关键变量，构建基于稀疏多项式混沌展开的代理模型替代高维优化问题，并采用自适应稀疏网格采样提高模型精度；

步骤7：设计分层协同优化机制，外层采用混合整数规划优化机组组合与网络拓扑，内层采用交替方向乘子法求解功率分配问题，通过拉格朗日乘子传递边界条件实现跨层耦合约束的迭代收敛。

2.根据权利要求1所述的智能电网电力调度优化方法，其特征在于，所述联邦学习采用动态权重聚合策略，根据边缘节点数据质量评估值计算聚合权重，数据质量评估指标包括数据完整性、时间序列连续性及与中心节点分布的KL散度，并设计基于Paillier同态加密的梯度传输协议防止原始数据泄露。

3.根据权利要求1所述的智能电网电力调度优化方法，其特征在于，所述深度残差网络包含残差块堆叠结构，每个残差块由门控卷积层、批量归一化层及跳跃连接构成，门控卷积层的激活函数采用自适应门控激活函数，网络输出端连接自注意力模块计算负荷特征的空间关联权重矩阵。

4.根据权利要求1所述的智能电网电力调度优化方法，其特征在于，所述量子粒子群算法中粒子位置编码采用量子比特相位角表示，定义量子旋转门更新策略为粒子历史最优与全局最优的相位差函数，并引入量子纠缠操作实现粒子群协同搜索，算法终止条件为群体多样性低于预设阈值或达到最大迭代次数。

5.根据权利要求1所述的智能电网电力调度优化方法，其特征在于，所述稀疏多项式混沌展开代理模型的基函数选择Legendre正交多项式，采用自适应前向‑后向选择算法确定多项式阶数与交叉项，并基于赤池信息准则优化模型复杂度。

6.根据权利要求1所述的智能电网电力调度优化方法，其特征在于，所述方法还包括：

针对分布式电源接入导致的潮流不确定性，构建鲁棒优化模型，采用区间模糊集描述风光出力波动范围，定义鲁棒性指标为最劣场景下的系统稳定性阈值，并基于Benders分解算法将主问题与子问题解耦求解；

所述Benders分解算法的主问题建模为混合整数二次规划问题，子问题转化为半定规划形式求解系统稳定性极值，并设计加速割平面生成策略，利用对偶变量敏感性分析筛选有效约束条件。

7.根据权利要求1所述的智能电网电力调度优化方法，其特征在于，所述方法还包括：

集成调度指令验证模块，采用智能合约技术对优化结果进行拓扑安全校验与N‑1故障预演，通过形式化验证方法生成调度指令执行证书，并基于零知识证明实现隐私保护下的跨域指令同步；

所述形式化验证方法采用时序逻辑公式描述电网安全约束，包括母线电压越限、线路过载及频率偏差指标，通过符号模型检测技术遍历状态迁移路径验证调度指令的合规性。

8.根据权利要求1所述的智能电网电力调度优化方法，其特征在于，所述方法还包括：

部署在线增量学习机制，采用在线序列极限学习机实时更新电力负荷时空耦合预测模型参数，结合滑动窗口技术动态调整优化模型权重系数，并基于马尔可夫链蒙特卡洛方法评估模型漂移量触发再训练条件。

9.根据权利要求8所述的智能电网电力调度优化方法，其特征在于，所述在线序列极限学习机的隐含层节点动态扩展策略采用误差敏感度准则，定义节点新增阈值为预测残差的移动平均方差，并设计遗忘因子机制衰减历史数据对模型更新的影响权重。

10.根据权利要求9所述的智能电网电力调度优化方法，其特征在于，所述马尔可夫链蒙特卡洛方法采用采样器生成模型参数后验分布，定义漂移量指标为参数分布的距离，当漂移量超过预设阈值时触发全模型再训练流程。