1.一种面向智能电网数据保护的联邦学习方法，其特征在于，包括：步骤1，中心服务器将初始化神经网络模型下发至多个智能电表；

步骤2，每个智能电表利用生成模型生成数据样本，并通过所述数据样本或本地用电数据对所述初始化神经网络模型进行训练，并将训练后的模型参数和评分指标上传至所述中心服务器；

步骤3，所述中心服务器通过聚合模型对所述训练后的模型参数和评分指标进行聚合检测，确定异常智能电表；

步骤4，所述中心服务器对除所述异常智能电表上传的模型参数以外的所有模型参数进行注意力动态聚合，得到全局模型，并判断所述全局模型是否满足预设训练终止条件；若是，则训练结束，将所述全局模型用于对用电量进行预测；否则，将所述全局模型作为所述初始化神经网络模型下发至多个智能电表，并返回执行步骤2；

所述中心服务器对除所述异常智能电表上传的模型参数以外的所有模型参数进行注意力动态聚合，得到全局模型，包括：当首次对除所述异常智能电表上传的模型参数以外的模型参数进行注意力动态聚合时，将除所述异常智能电表上传的模型参数以外的所有模型参数进行平均，生成全局模型；

当非首次对除所述异常智能电表上传的模型参数以外的所有模型参数进行注意力动态聚合时，通过计算每个智能电表的提升度占比以及倒数权重对除所述异常智能电表上传的模型参数以外的所有模型参数进行加权聚合，得到全局模型；

计算每个智能电表的提升度占比的表达式为：

其中， 表示第 个智能电表在第 轮次的提升度占比， 表示第 个智能电表在第 轮次的模型提升度， 表示智能电表的数量；

计算每个智能电表的倒数权重的表达式为：

其中， 表示第 个智能电表的倒数权重， 表示第 个智能电表上传的模型参数与前一轮次所有模型参数的平均距离。

2.根据权利要求1所述的面向智能电网数据保护的联邦学习方法，其特征在于，所述生成模型包括生成器和判别器；

利用所述生成器对噪声和类标签进行变换，合成数据样本；

通过所述判别器判别所述数据样本与本地用电数据之间的距离，若距离大于预设阈值时，重新利用所述生成器合成数据样本，直至距离小于预设阈值，将所述数据样本作为数据样本。

3.根据权利要求2所述的面向智能电网数据保护的联邦学习方法，其特征在于，所述数据样本与本地用电数据之间的距离的计算表达式为：其中， 表示数据样本的分布 与本地用电数据的分布 之间的距离，表示下确界，即最小的上界， 表示数据样本的分布 与本地用电数据的分布 所有可能的联合分布， 表示 的联合分布， 表示在联合分布下，随机选择一对样本 的距离期望值， 表示本地用电数据， 表示数据样本。

4.根据权利要求3所述的面向智能电网数据保护的联邦学习方法，其特征在于，所述步骤3包括：所述中心服务器通过裁剪后的DBScan模型将每轮次上传的所有模型参数分别当作一个点，并设定聚类半径；

判断每相邻两个点的距离是否小于聚类半径，当距离均小于聚类半径时，判定本次训练无异常智能电表，当距离大于聚类半径时，将与大于聚类半径的点对应的智能电表作为异常智能电表。

5.根据权利要求4所述的面向智能电网数据保护的联邦学习方法，其特征在于，所述聚类半径的计算表达式为：其中， 表示聚类半径， 表示智能电表的数量， 表示第 个智能电表训练的模型参数 与第 个智能电表训练的模型参数 之间的距离。

6.根据权利要求5所述的面向智能电网数据保护的联邦学习方法，其特征在于，对除所述异常智能电表上传的模型参数以外的所有模型参数进行加权聚合的计算表达式为：其中， 表示第 轮次得到的全局模型的模型参数， 表示注意力权重， 表示异常智能电表的数量， 表示新加入的智能电表， 表示第 个智能电表在第 轮次训练的模型参数。

7.根据权利要求1所述的面向智能电网数据保护的联邦学习方法，其特征在于，所述预设训练终止条件包括：当训练轮次达到最大轮次时，停止训练；

当第 轮次训练使用的是数据样本，第 轮次训练使用的是本地用电数据，且第轮次训练后的评价指标大于第 轮次训练后的评价指标时，停止训练；

当全局模型收敛至预期程度时，停止训练；

当连续若干轮次训练使用的均是本地用电数据时，停止训练。