1.一种改进双层长短期记忆网络的负荷用电特性建模方法，其特征在于，包括以下步骤：步骤1：收集负荷用电特性量测数据，负荷用电特性相关量测数据采用归一化处理得到归一化后负荷用电特性量测数据，构建有功特性训练集、构建无功特性训练集、构建有功特性测试集、构建无功特性测试集；步骤2：建立改进双层长短期记忆网络的负荷用电特性模型；步骤3：构建改进双层长短期记忆网络的负荷用电特性模型的损失函数模型，利用有功特性训练集、无功特性训练集训练改进双层长短期记忆网络的负荷用电特性模型，并用测试集验证训练后改进双层长短期记忆网络的负荷用电特性模型的准确性；步骤1所述负荷用电特性量测数据包括：负荷有功功率数据集、无功功率数据集、节点电压数据集、环境影响因素数据集；所述负荷有功功率数据集包括M个采样点的负荷有功功率；所述无功功率数据集包括M个采样点的无功功率；所述节点电压数据集包括M个采样点的节点电压；所述环境影响因素数据集包括M个采样点的环境影响因素；步骤1所述负荷用电特性量测数据采用归一化处理为：l∈[1,4]其中，x l 代表第l种负荷用电特性量测数据，x l * 为归一化后第l种负荷用电特性量测数据，x l,min 代表第l种负荷用电特性量测数据的最小值，x l,max 代表第l种负荷用电特性量测数据的最大值，l＝1表示负荷有功功率数据集，l＝2表示负荷无功功率数据集，l＝3表示节点电压数据集，l＝4表示环境影响因素数据集；步骤1所述归一化后负荷用电特性量测数据包括：归一化后负荷有功功率数据集、归一化后无功功率数据集、归一化后节点电压数据集、归一化后环境影响因素数据集；所述归一化后负荷有功功率数据集包括M个采样点的归一化负荷有功功率，定义为：P * (1),P * (2),...,P * (M)所述归一化后无功功率数据集包括M个采样点的归一化无功功率；Q * (1),Q * (2),...,Q * (M)所述归一化后节点电压数据集包括M个采样点的归一化节点电压；V(1),V(2),...,V(M)将当前采样点的对下一时刻采样点的节点电压进行预测得到当前采样点对下一时刻采样点预测的归一化节点电压数据集，具体为：V * (2),V * (3),...,V * (M+1)所述归一化后环境影响因素数据集包括M个采样点的归一化环境影响因素；ψ * (1),ψ * (2),...,ψ * (M)步骤1中所述构建有功特性训练集为：通过N个采样点的归一化负荷有功功率即P * (1),P * (2),...,P * (N)、N个当前采样点对下一时刻采样点预测的归一化节点电压即V * (2),V * (2),...,V * (N+1)、N个采样点的归一化环境影响因素即ψ * (1),ψ * (2),...,ψ * (N)构建有功特性训练集，具体如下：其中，t∈[1,N]，N为有功特性训练集中样本的数量；P * (t)为第t个采样点的归一化负荷有功功率，V * (t+1)为第t个采样点对t+1采样点的预测的归一化节点电压，ψ*(t)第t个采样点的归一化环境影响因素；步骤1中所述构建有功特性测试集为：通过M-N个采样点的归一化负荷有功功率即P * (N+1),P * (N+2),...,P * (M)、M-N个采样点的归一化节点电压即V * (N+1),V * (N+2),...,V * (M)、M-N个采样点的归一化环境影响因素即ψ * (N+1),ψ * (N+2),...,ψ * (M)构建有功特性测试集，具体如下：步骤1中所述构建无功特性训练集为：通过N个采样点的归一化无功功率即Q * (1),Q * (2),...,Q * (N)构建无功特性训练集，具体如下：D Q ＝[Q * (1) Q * (2)…Q * (t)…Q * (N)]步骤1中所述构建无功特性测试集为：通过M-N个采样点的归一化无功功率即Q * (N+1),Q * (N+2),...,Q * (M)构建无功特性训练集，具体如下：T Q ＝[Q * (N+1) Q * (N+2)…Q * (j)…Q * (M)]；步骤2所述改进双层长短期记忆网络的负荷用电特性模型由下层长短期记忆网络、上层长短期记忆网络级联构成；所述下层长短期记忆网络：由第1个下层长短期记忆单元、......、第k个下层长短期记忆单元依次串联构成，用于学习负荷的有功特性，即负荷有功功率与过去k个时间点即t-k,t-k+1,…,t-1的历史有功功率、节点电压、环境影响因素的耦合特性；将步骤1中所述的有功特性训练集即D p 内数据[P * (t-k)，V * (t-k1)，ψ * (t-k)]，…，[P * (t-1)，V * (t)，ψ * (t-1)]分别依次输入第一下层长短期记忆单元、......、第k下层长短期记忆单元；并根据第k个下层长短期记忆单元的隐藏状态 输出当前时刻(t)的有功功率 评估值，如下：其中，g P ()为下层第k个长短期记忆单元隐藏状态的线性函数；A P 和B P 为线性函数g p ()的线性矩阵系数，维度分别为1xH、1x1；H为隐藏状态 的大小；所述上层长短期记忆网络：由第1上层长短期记忆单元、...、第k上层长短期记忆单元依次串联构成，用于学习负荷的无功特性，即负荷无功功率与过去多个时间点的历史无功功率、各上层长短期记忆单元的隐藏状态间的耦合特性；其中，上层长短期记忆网络中第i个单元的输入量I i ，由步骤1中获取的无功特性训练集D Q 中的[Q * (i)]和下层长短期记忆网络中第i个单元的隐藏状态 构成；根据上层长短期记忆网络第k个长短期记忆单元的隐藏状态 输出当前时刻(t)的无功功率 评估值：其中，g Q ()为上层第k个长短期记忆单元隐藏状态的线性函数；A Q 和B Q 为线性函数g Q ()的线性矩阵系数，维度分别为1xH、1x1；H为隐藏状态 的大小；步骤3所述改进双层长短期记忆网络的负荷用电特性模型的损失函数模型为：其中，P * (t)为第t个采样点的归一化负荷有功功率，Q * (t)为第t个采样点的归一化负荷无功功率， 为t时刻有功功率的评估结果， 为t时刻无功功率的评估结果；步骤3所述训练改进双层长短期记忆网络的负荷用电特性模型为：采用Adam算法对改进双层长短期记忆网络的负荷用电特性模型的超参数进行优化，使所述改进双层长短期记忆网络的负荷用电特性模型的损失函数模型为对t时刻采样点的有功功率和无功功率预测误差最小；所述超参数包括各层网络中每个长短期记忆单元的权重参数和偏置参数；通过优化后超参数构建训练后改进双层长短期记忆网络的负荷用电特性模型。
