1.一种基于大数据分析的智能变电站能耗优化方法，其特征在于，包括以下步骤：S1：采集外部环境参数和设备的负荷值并进行预处理后，按照时间顺序进行存储，构建环境调节与时间序列融合负荷预测模型，将时间序列与外部环境因素结合，对设备未来负荷需求进行预测，得到设备的负荷预测值；环境调节与时间序列融合负荷预测模型公式如下：，

其中， 是设备 在时刻 的负荷预测值； 是设备 在时刻 的负荷值；是

时间变量；是设备索引变量；是历史时间步数，表示用于预测的历史时间步数；是历史时间步索引变量； 是预测系数； 是设备 在历史时刻 的负荷值； 是指数衰减因子；是指数衰减因子的调节参数； 是余弦函数； 表示周期性波动修正因子； 是时刻 的外部环境变量；是外部环境系数；是历史负荷值与基准负荷值的比例的调节参数； 是设备 的基准负荷值； 是设备 在历史时刻 的负荷值与基准负荷值的比例；是模型误差项；

S2：基于设备的负荷值，计算设备的负荷信息熵和智能变电站的全局负荷信息熵；基于设备的负荷信息熵和智能变电站的全局负荷信息熵，结合设备的负荷预测值，通过自适应负荷分配算法，计算设备的优化负荷值，并对智能变电站进行能耗优化。

2.根据权利要求1所述的一种基于大数据分析的智能变电站能耗优化方法，其特征在于，所述S2，具体包括：将设备的负荷值划分为不同的负荷状态，并统计设备在每个负荷状态下的出现频率，得到设备在每个负荷状态的概率。

3.根据权利要求2所述的一种基于大数据分析的智能变电站能耗优化方法，其特征在于，所述S2，具体包括：基于设备在每个负荷状态的概率，引入非线性调节因子，量化设备负荷状态的不确定性，得到设备的负荷信息熵；设置设备的重要性阈值，对不同设备的负荷信息熵进行加权融合，得到智能变电站的全局负荷信息熵。

4.根据权利要求1所述的一种基于大数据分析的智能变电站能耗优化方法，其特征在于，所述S2，具体包括：将设备的优化负荷值与设备的实际负荷值进行对比，基于设备的实际负荷值与优化负荷值之间的差距，以及预设的调整比例，对设备负荷进行调整；当设备的实际负荷值低于优化负荷值时，增加设备负荷；当设备的实际负荷值高于优化负荷值时，减少设备负荷。

5.根据权利要求4所述的一种基于大数据分析的智能变电站能耗优化方法，其特征在于，所述S2，具体包括：在自适应负荷分配算法的实现过程中，基于设备的优化负荷值，引入指数衰减项和正弦函数调整项，计算设备的负荷均衡度；负荷均衡度计算公式如下：，

其中， 是设备 在时刻 的负荷均衡度； 是设备 在时刻 的优化负荷值；

是指数衰减项； 是智能变电站中设备的总数；、是设备的索引变量； 是设备 在时刻 的优化负荷值； 是正弦函数； 是正弦函数调整项； 是设备的基准负荷值；是负荷波动的调整系数。

6.根据权利要求5所述的一种基于大数据分析的智能变电站能耗优化方法，其特征在于，所述S2，具体包括：设置负荷均衡度阈值区间，当设备的负荷均衡程度不位于负荷均衡度阈值区间中时，表示所述设备负荷不均衡，需根据设置的负载均衡调整比例对设备负荷进行调整，对于负荷均衡度高于负荷均衡度阈值区间的设备，按照负荷均衡调整比例降低所述设备负荷，对于负荷均衡度低于负荷均衡度阈值区间的设备，按照负荷均衡调整比例提高所述设备负荷，实现智能变电站能耗优化。