1.一种基于深度学习的用电量预测方法，其特征在于，包括：预先根据历史用电数据训练预测模型；接收输入的电量预测查询时间和外源性特征参数；将所述电量预测查询时间和所述外源性特征参数输入所述预测模型，输出用电量预测值；其中，所述历史用电数据包括历史时间序列和所述历史时间序列的外源性特征数据，所述预测模型具体为包括长短期记忆网络LSTM嵌入块的序列到序列seq2seq模型；所述预先根据历史用电数据训练预测模型，具体包括：根据所述历史时间序列和所述外源性特征数据确定训练输入向量以及与所述训练输入向量对应的标签值；其中，所述训练输入向量包括训练周期参数和特征参数；将所述训练输入向量输入预设的序列到序列seq2seq模型结构，得到训练值；按预设规则确定所述训练值与所述标签值的误差最小值；依据所述误差最小值调整所述序列到序列seq2seq模型结构的模型参数，得到所述预测模型；当所述历史时间序列的长度大于阈值时，在所述将所述训练输入向量输入预设的序列到序列seq2seq模型结构时，还包括：应用固定权重的滑动窗口记忆机制将滞后数据点引入所述预设的序列到序列seq2seq模型结构；所述应用固定权重的滑动窗口记忆机制将所述滞后数据点引入所述预设的序列到序列seq2seq模型结构，具体包括：将所述滞后数据点的编码器输出值输入全连接层以降低维度，并将降低维度后的编码器输出值加入解码器的输入特征；对预设的数据点与近邻数据点求均值，以根据所述均值减少噪声并补偿不均匀的间隔。
2.根据权利要求1所述的用电量预测方法，其特征在于，所述预测模型的编码器和解码器均为长短期记忆网络LSTM。
3.根据权利要求1所述的用电量预测方法，其特征在于，所述按预设规则确定所述训练值与所述标签值的误差最小值，具体包括：利用Adam梯度下降法计算所述训练值与所述标签值的负梯度方向，以根据所述负梯度方向确定所述误差最小值。
4.根据权利要求1所述的用电量预测方法，其特征在于，所述按预设规则确定所述训练值与所述标签值的误差最小值，具体包括：利用SGD随机梯度下降法计算所述训练值与所述标签值的负梯度方向，以根据所述负梯度方向确定所述误差最小值。
5.根据权利要求1至4任意一项所述的用电量预测方法，其特征在于，所述预先根据历史用电数据训练预测模型，具体包括：应用多组初始化数据训练得到多个初始预测模型；其中，初始化数据组与所述初始预测模型一一对应；在各所述初始预测模型中保存检查点；依据所述检查点计算与所述检查点对应的初始预测模型的预测权值；根据各所述预测权值对各所述初始预测模型进行模型融合，得到所述预测模型。
6.一种基于深度学习的用电量预测装置，其特征在于，包括：训练单元，用于预先根据历史用电数据训练预测模型；接收单元，用于接收输入的电量预测查询时间和外源性特征参数；计算单元，用于将所述电量预测查询时间和所述外源性特征参数输入所述预测模型，输出用电量预测值；其中，所述历史用电数据包括历史时间序列和所述历史时间序列的外源性特征数据，所述预测模型具体为包括长短期记忆网络LSTM嵌入块的序列到序列seq2seq模型；所述训练单元具体用于：根据所述历史时间序列和所述外源性特征数据确定训练输入向量以及与所述训练输入向量对应的标签值；其中，所述训练输入向量包括训练周期参数和特征参数；将所述训练输入向量输入预设的序列到序列seq2seq模型结构，得到训练值；按预设规则确定所述训练值与所述标签值的误差最小值；依据所述误差最小值调整所述序列到序列seq2seq模型结构的模型参数，得到所述预测模型；当所述历史时间序列的长度大于阈值时，在所述将所述训练输入向量输入预设的序列到序列seq2seq模型结构时，还包括：应用固定权重的滑动窗口记忆机制将滞后数据点引入所述预设的序列到序列seq2seq模型结构；所述应用固定权重的滑动窗口记忆机制将所述滞后数据点引入所述预设的序列到序列seq2seq模型结构，具体包括：将所述滞后数据点的编码器输出值输入全连接层以降低维度，并将降低维度后的编码器输出值加入解码器的输入特征；对预设的数据点与近邻数据点求均值，以根据所述均值减少噪声并补偿不均匀的间隔。
7.一种基于深度学习的用电量预测设备，其特征在于，包括：存储器，用于存储指令，所述指令包括权利要求1至5任意一项所述基于深度学习的用电量预测方法的步骤；处理器，用于执行所述指令。
