1.一种电力数据异常检测模型的训练方法，其特征在于，包括：获取待训练电力数据序列；将所述待训练电力数据序列输入至长短期记忆网络，使得所述长短期记忆网络的隐含层对所述待训练电力数据序列进行特征提取，将当前时刻的所述隐含层的输出值乘以权重矩阵得到下一时刻的预测值，计算下一时刻的所述预测值与所述长短期记忆网络的下一时刻的输入值的残差和第一损失值，全连接层对所述残差进行处理，softmax层对所述全连接层的输出进行处理，输出所述待训练电力数据序列的分类预测概率；根据所述第一损失值、所述待训练电力数据序列的分类预测概率和真实概率，通过联合损失函数确定所述长短期记忆网络的第二损失值；基于所述第二损失值反向更新所述长短期记忆网络的参数，直至所述第二损失值低于预置损失值，得到训练好的长短期记忆网络，将所述训练好的长短期记忆网络作为电力数据异常检测模型输出。
2.根据权利要求1所述的电力数据异常检测模型的训练方法，其特征在于，所述将所述待训练电力数据序列输入至长短期记忆网络，之前还包括：对所述待训练电力数据序列进行预处理。
3.根据权利要求1所述的电力数据异常检测模型的训练方法，其特征在于，所述第一损失值的计算公式为：其中，L t 为第t个时间步的第一损失值， h t 为第t个时间步的隐含层的输出值，W为权重矩阵，x t+1 为第t+1个时间步的输入值。
4.根据权利要求1所述的电力数据异常检测模型的训练方法，其特征在于，所述联合损失函数的公式为：其中，T为待训练电力数据序列的长度， h t 为第t个时间步的隐含层的输出值，W为权重矩阵，x t+1 为第t+1个时间步的输入值，λ为常量， 是类别i的真实概率， 是类别i的分类预测概率。
5.根据权利要求1所述的电力数据异常检测模型的训练方法，其特征在于，所述基于所述第二损失值反向更新所述长短期记忆网络的参数，直至所述第二损失值低于预置损失值，得到训练好的长短期记忆网络，将所述训练好的长短期记忆网络作为电力数据异常检测模型输出，之后还包括：将获取的待检测训练电力数据序列输入至所述电力数据异常检测模型进行数据异常检测，输出所述待检测训练电力数据序列对应的检测结果。
6.一种电力数据异常检测模型的训练装置，其特征在于，包括：获取单元，用于获取待训练电力数据序列；输入单元，用于将所述待训练电力数据序列输入至长短期记忆网络，使得所述长短期记忆网络的隐含层对所述待训练电力数据序列进行特征提取，将当前时刻的所述隐含层的输出值乘以权重矩阵得到下一时刻的预测值，计算下一时刻的所述预测值与所述长短期记忆网络的下一时刻的输入值的残差和第一损失值，全连接层对所述残差进行处理，softmax层对所述全连接层的输出进行处理，输出所述待训练电力数据序列的分类预测概率；确定单元，用于根据所述第一损失值、所述待训练电力数据序列的分类预测概率和真实概率，通过联合损失函数确定所述长短期记忆网络的第二损失值；输出单元，用于基于所述第二损失值反向更新所述长短期记忆网络的参数，直至所述第二损失值低于预置损失值，得到训练好的长短期记忆网络，将所述训练好的长短期记忆网络作为电力数据异常检测模型输出。
7.根据权利要求6所述的电力数据异常检测模型的训练装置，其特征在于，还包括：预处理单元，用于对所述待训练电力数据序列进行预处理。
8.根据权利要求6所述的电力数据异常检测模型的训练装置，其特征在于，还包括：检测单元，用于将获取的待检测训练电力数据序列输入至所述电力数据异常检测模型进行数据异常检测，输出所述待检测训练电力数据序列对应的检测结果。
9.一种电力数据异常检测模型的训练设备，其特征在于，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的电力数据异常检测模型的训练方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-5任一项所述的电力数据异常检测模型的训练方法。
