1.一种结合深度学习算法和递归神经网络的电能计量误差分析方法，其特征在于，所述电能计量误差分析方法包括：采集影响电能计量误差因素的数据，根据所述数据建立数据存储和共享平台，并且在数据存储和共享平台中对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差；以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述基于多变量决策树的电能计量误差专家评估模型下的第一最终电能计量误差；以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述基于递归神经网络的电能计量误差评估模型下的第二最终电能计量误差；以所述第一最终电能计量误差和第二最终电能计量误差为基础，利用基于AdaBoost算法的自适应集成学习模型，以上述两种评估模型分析得到的最终电能计量误差的大小为限定条件，利用加权投票机制构建最终的电能计量误差评估模型，其中：步骤1、给定包含第一最终电能计量误差和第二最终电能计量误差的数据的训练样本集，其中样本集分为正例样本集和负例样本集，样本集中的正例样本的数量i和负例样本的数量j之和为n，样本集中正例样本权重为ω i ，负例样本权重为ω j ，T为训练的最大循环次数；步骤2、初始化样本权重，即训练样本的初始概率分布为正例样本 负例样本 i，j＝1，2，…n/2；步骤3、进行第k次迭代；第一步，根据样本权重ω i 和ω j ，通过进行抽样产生训练集，在训练集基础上训练弱分类器，并计算弱分类器的错误率ε k ；第二步，选取错误率ε k 的阈值M，使得误差最小，如果ε k <M不成立,更新样本权重ω i 和ω j ，返回第一步；第三步，如果ε k <M成立，计算第k次迭代后的弱分类器的权重α k ，并进行第k+1次迭代；步骤4、将T次迭代后得到的T个弱分类器按更新的权重叠加，最终得到强分类器，建立最终的电能计量误差评估模型；利用最终的电能计量误差评估模型进行电网中电能计量误差的评估。
2.根据权利要求1所述的电能计量误差分析方法，其特征在于，所述影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度，其中，所述电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
3.根据权利要求2所述的电能计量误差分析方法，其特征在于，电能计量初始误差的计算公式为：电能计量初始误差＝(实际电能计量数据－理论电能计量数据)/理论电能计量数据。
4.根据权利要求1所述的电能计量误差分析方法，其特征在于，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述基于多变量决策树的电能计量误差专家评估模型下的第一最终电能计量误差的方法包括：将基于多变量决策树的电能计量误差专家评估模型S定义为一个四元组S＝〈U,A,V,f>，其中U为论域，A是所有属性的集合，A进一步可分为条件属性集C和决策属性集D，其中C为影响电能计量误差因素的数据的集合，D为电能计量初始误差数据的集合, V p 是属性P的值域，f:U×A→V，f为信息函数；计算条件属性集C相对于决策属性集D的核CORED(C)；若CORED(C)＝C∩D，则用ID3算法选择最佳属性作为CORED(C)的检验，所述最佳属性即是第一最终电能计量误差，其中ID3算法是一种贪心算法，用来构造决策树；若CORED(C)≠C∩D，则设CORED(C)＝{a 1 ,a 2 ……a l }，所述a 1 ,a 2 ……a l 是核CORED(C)的核属性，令P＝a 1 ∧a 2 ∧…∧a l ,计算P相对于D的泛化GEND(P)，将它作为CORED(C)的检验，所述GEND(P)即是第一最终电能计量误差。
5.根据权利要求1所述的电能计量误差分析方法，其特征在于，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述基于递归神经网络的电能计量误差评估模型下的第二最终电能计量误差的方法是利用因子分析算法提取电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，设计所述输入数据相对应的样本和编码，通过递归神经网络建立所述输入数据与第二最终电能计量误差之间的映射关系，并在所得映射关系基础上，求出第二最终电能计量误差。
6.根据权利要求5所述的电能计量误差分析方法，其特征在于，更新样本权重的规则是减小弱分类器中分类效果好的数据的概率，增大弱分类器中分类效果差的数据的概率。
7.一种结合深度学习算法和递归神经网络的电能计量误差分析系统，其特征在于，所述系统包括：数据存储和共享平台，用于采集影响电能计量误差因素的数据，并且对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差；第一电能计量误差评估装置，用于以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述基于多变量决策树的电能计量误差专家评估模型下的第一最终电能计量误差；第二电能计量误差评估装置，用于以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型，对所述输入数据进行加权训练，得到所述基于递归神经网络的电能计量误差评估模型下的第二最终电能计量误差；以及最终电能计量误差评估装置，用于以所述第一最终电能计量误差和第二最终电能计量误差为基础，利用基于AdaBoost算法的自适应集成学习模型，以上述两种评估模型分析得到的最终电能计量误差的大小为限定条件，利用加权投票机制构建最终的电能计量误差评估模型进行电网中电能计量误差的评估，其中，利用加权投票机制构建最终的电能计量误差评估模型包括：步骤1、给定包含第一最终电能计量误差和第二最终电能计量误差的数据的训练样本集，其中样本集分为正例样本集和负例样本集，样本集中的正例样本的数量i和负例样本的数量j之和为n，样本集中正例样本权重为ω i ，负例样本权重为ω j ，T为训练的最大循环次数；步骤2、初始化样本权重，即训练样本的初始概率分布为正例样本 负例样本 i，j＝1，2，…n/2；步骤3、进行第k次迭代；第一步，根据样本权重ω i 和ω j ，通过进行抽样产生训练集，在训练集基础上训练弱分类器，并计算弱分类器的错误率ε k ；第二步，选取错误率ε k 的阈值M，使得误差最小，如果ε k <M不成立,更新样本权重ω i 和ω j ，返回第一步；第三步，如果ε k <M成立，计算第k次迭代后的弱分类器的权重α k ，并进行第k+1次迭代；步骤4、将T次迭代后得到的T个弱分类器按更新的权重叠加，最终得到强分类器，建立最终的电能计量误差评估模型。
8.根据权利要求7所述的电能计量误差分析系统，其特征在于，所述数据存储和共享平台中影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度，其中，所述电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
9.根据权利要求7所述的电能计量误差分析系统，其特征在于，所述数据存储和共享平台中的电能计量初始误差的计算公式为：电能计量初始误差＝(实际电能计量数据－理论电能计量数据)/理论电能计量数据。
10.根据权利要求7所述的电能计量误差分析系统，其特征在于，所述第一最终电能计量误差评估装置以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述基于多变量决策树的电能计量误差专家评估模型下的第一最终电能计量误差的方法包括：将基于多变量决策树的电能计量误差专家评估模型S定义为一个四元组S＝<U,A,V,f>，其中U为论域，A是所有属性的集合，A进一步可分为条件属性集C和决策属性集D，其中C为影响电能计量误差因素的数据的集合，D为电能计量初始误差数据的集合, V p 是属性P的值域，f:U×A→V，f为信息函数；计算条件属性集C相对于决策属性集D的核CORED(C)；若CORED(C)＝C∩D，则用ID3算法选择最佳属性作为CORED(C)的检验，所述最佳属性即是第一最终电能计量误差，其中ID3算法是一种贪心算法，用来构造决策树；若CORED(C)≠C∩D，则设CORED(C)＝{a 1 ,a 2 ……a l }，所述a 1 ,a 2 ……a l 是核CORED(C)的核属性，令P＝a 1 ∧a 2 ∧…∧a l ,计算P相对于D的泛化GEND(P)，将它作为CORED(C)的检验，所述GEND(P)即是第一最终电能计量误差。
11.根据权利要求7所述的电能计量误差分析系统，其特征在于，所述第二最终电能计量误差评估装置以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述基于递归神经网络的电能计量误差评估模型下的第二最终电能计量误差的方法是利用因子分析算法提取电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，设计所述输入数据相对应的样本和编码，通过递归神经网络建立所述输入数据与第二最终电能计量误差之间的映射关系，并在所得映射关系基础上，求出第二最终电能计量误差。
