1.一种基于深度学习的配电低压台区负荷预测方法，其特征在于，包括以下步骤：采集配电低压台区量测数据；根据所述配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练所述预测模型；以及在所述预测模型满足预设条件后，采集当前配电低压台区量测数据，并将所述当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果；其中，所述采集配电低压台区量测数据，包括：对所述配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理；所述异常数据分析，包括：根据箱型图的离群数据判定原则，定义数据的异常判据，其中，所述异常判据表示为：其中，Q 1 和Q 3 分别为第一四分位数和第三四分位数，I QR 为四分位距；所述数据分布分析，包括：将采集到样本的有功功率进行绘图，从而确定高峰负荷时段的时间节点；所述缺省值填补，包括：通过t-1时刻的数值对t时刻的数值进行填补；所述异常数据剔除，包括：通过所述异常判据对异常数据进行筛选，对异常离群数据进行剔除，并按照所述缺省值填补的方法对剔除的数据进行填充；对输入的数值型特征数据按每个特征进行归一化处理，表示为：其中， 为第i个样本的第n个数值型特征数据；min(x (n) )与max(x (n) )分别是第n个数值型特征数据的最小值与最大值； 为经归一化处理后的第i个样本的第n个特征数据；对所述类别型数据进行独热向量编码；所述特征工程，包括：将时间特征进行特征提取，获得新的特征数据，并利用独热向量编码规则进行编码，其中，所述新的特征数据为月份属性、星期属性、小时属性、工作日属性、高峰负荷时间属性；训练所述预测模型，包括：将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；通过所述训练集来训练所述预测模型并调整模型参数；通过所述验证集对所述预测模型进行选优与微调，得到最优预测模型；通过所述测试集对最优预测模型效果进行测试，生成最终预测模型；其中，所述通过所述训练集来训练所述预测模型并调整模型参数，包括：将所述训练数据集中不同类型的数据输入对应的处理模块进行处理，并将处理后的数据进行拼接和激活，之后通过输出层输出，使用输出数据训练所述预测模型，其中，所述处理模块包括Wide模块和Deep模块。
2.根据权利要求1所述的方法，其特征在于，在训练所述预测模型之后，还包括：检测所述最终预测模型的负荷预测误差；若所述负荷预测误差小于或等于预设值，则判定满足所述预设条件；若所述负荷预测误差大于所述预设值，则判定不满足所述预设条件。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述Adam优化算法的公式为：其中，m t 、v t 分别是对梯度的一阶矩估计和二阶矩估计， 是修正后的值,β 1 和β 2 为修正系数，α为学习率，g t 为梯度， 为迭代后修正系数， 为迭代后修正系数，m t-1 为前次迭代一阶矩估计结果，v t-1 为前次迭代二阶矩估计结果。
4.一种基于深度学习的配电低压台区负荷预测装置，其特征在于，包括：采集模块，用于采集配电低压台区量测数据；迭代更新模块，用于根据所述配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练所述预测模型；以及预测模块，用于在所述预测模型满足预设条件后，采集当前配电低压台区量测数据，并将所述当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果；其中，所述采集模块进一步用于对所述配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理；所述异常数据分析，包括：根据箱型图的离群数据判定原则，定义数据的异常判据，其中，所述异常判据表示为：其中，Q 1 和Q 3 分别为第一四分位数和第三四分位数，I QR 为四分位距；所述数据分布分析，包括：将采集到样本的有功功率进行绘图，从而确定高峰负荷时段的时间节点；所述缺省值填补，包括：通过t-1时刻的数值对t时刻的数值进行填补；所述异常数据剔除，包括：通过所述异常判据对异常数据进行筛选，对异常离群数据进行剔除，并按照所述缺省值填补的方法对剔除的数据进行填充；对输入的数值型特征数据按每个特征进行归一化处理，表示为：其中， 为第i个样本的第n个数值型特征数据；min(x (n) )与max(x (n) )分别是第n个数值型特征数据的最小值与最大值； 为经归一化处理后的第i个样本的第n个特征数据；对所述类别型数据进行独热向量编码；所述特征工程，包括：将时间特征进行特征提取，获得新的特征数据，并利用独热向量编码规则进行编码，其中，所述新的特征数据为月份属性、星期属性、小时属性、工作日属性、高峰负荷时间属性；训练所述预测模型，包括：将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；通过所述训练集来训练所述预测模型并调整模型参数；通过所述验证集对所述预测模型进行选优与微调，得到最优预测模型；通过所述测试集对最优预测模型效果进行测试，生成最终预测模型；其中，所述通过所述训练集来训练所述预测模型并调整模型参数，包括：将所述训练数据集中不同类型的数据输入对应的处理模块进行处理，并将处理后的数据进行拼接和激活，之后通过输出层输出，使用输出数据训练所述预测模型，其中，所述处理模块包括Wide模块和Deep模块。
5.根据权利要求4所述的装置，其特征在于，还包括：检测模块，用于在训练所述预测模型之后，检测所述最终预测模型的负荷预测误差；判定模块，用于在所述负荷预测误差小于或等于预设值时，判定满足所述预设条件；在所述负荷预测误差大于所述预设值时，判定不满足所述预设条件。
6.根据权利要求4-5任一项所述的装置，其特征在于，所述Adam优化算法的公式为：其中，m t 、v t 分别是对梯度的一阶矩估计和二阶矩估计， 是修正后的值,β 1 和β 2 为修正系数，α为学习率，g t 为梯度， 为迭代后修正系数， 为迭代后修正系数，m t-1 为前次迭代一阶矩估计结果，v t-1 为前次迭代二阶矩估计结果。
