1.一种基于双分支深度学习模型的空调负荷估算方法，其特征在于，包括以下步骤：获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理；对预处理后的历史数据进行特征提取，生成双分支输入特征向量，即用于构建基准负荷估算模型分支的特征向量p 1 和用于构建空调负荷估算模型分支的特征向量p 2 ，其中特征向量p 1 以历史时间数据和经济数据提取获得，特征向量p 2 以历史气象数据提取获得；根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型，其中以特征向量p 1 为输入特征，利用卷积神经网络(CNN)为模型主体构建基准负荷估算模型分支；以特征向量p 2 为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；根据输入特征向量进行模型优化，即通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；对预测地区的空调负荷预测过程中，取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值；其中，所述特征向量p 1 的构建方式为：其中，特征向量p 1 为8维方阵矩阵，0和1表示日期的独热编码形式，c、p、g和m l 分别表示消费者价格指数(CPI)、地区消费总额、地区生产总值和当月平均负荷；所述特征向量p 2 的构建方式为：其中，p 2 为由(n+1)个4维方阵组成的特征向量，T t-nD 、H t-nD 和R t-nD 分别表示距t时刻n日前的温度、相对湿度和降水量，下标t-1和t-4h分别表示t时刻前一时刻和t时刻前4小时，n的初始值为6；所述基于遗传算法对初始的双分支深度学习的负荷分解模型的调优处理具体包括：采用基于遗传算法的模型参数调优，调优的目标函数如下：min(α·e-β·r)；其中e和r分别表示模型验证误差和皮尔逊相关系数，误差形式采用平均绝对百分比误差MAPE，表达式如下：式中n为数据数量， 表示模型输出值，y i 表示历史数据中对应时刻的真实总负荷值；其中，皮尔逊相关系数表达式如下：式中X、Y表示待求相关系数的两个向量，r为相关性数值。
2.根据权利要求1所述的基于双分支深度学习模型的空调负荷估算方法，其特征在于，所述历史气象、历史负荷以及时间数据构成历史数据，对历史数据的预处理包括：首先，利用三次插值法补全历史数据中的缺失数据；然后，对时间数据采用独热编码进行数据转化处理；最后，对负荷功率、历史气象数据进行归一化处理。
3.根据权利要求1所述的基于双分支深度学习模型的空调负荷估算方法，其特征在于，在调优处理过程中，以某个t时刻的特征向量p 1 和特征向量p 2 输入模型，得到t时刻的空调负荷和基准负荷，二者相加后得到估算的t时刻的总负荷，与历史数据中该t时刻的历史总负荷进行做差，并基于差值调整模型参数，以使得期望的差值达到理想最小时，确定模型的参数，从而获得最终输出的形成双分支深度学习的负荷分解模型。
4.根据权利要求1所述的基于双分支深度学习模型的空调负荷估算方法，其特征在于，所述方法还包括：对预测地区的未来时刻的空调负荷预测过程，将某个时刻的气象数据和/或气象预报数据作为特征数据，输入到双分支深度学习空调负荷分解模型进行预测估计，得到对应时刻的空调负荷预测结果。
5.一种基于双分支深度学习模型的空调负荷估算系统，其特征在于，包括：用于获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理的模块；用于对预处理后的历史数据进行特征提取，生成双分支输入特征向量的模块，即用于构建基准负荷估算模型分支的特征向量p 1 和用于构建空调负荷估算模型分支的特征向量p 2 ，其中特征向量p 1 以历史时间数据和经济数据提取获得，特征向量p 2 以历史气象数据提取获得；用于根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型的模块，其中以特征向量p 1 为输入特征，利用卷积神经网络(CNN)构建基准负荷估算模型分支；以特征向量p 2 为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；用于根据输入特征向量进行模型优化的模块，被设置层通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；用于对预测地区的空调负荷预测过程中，取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值的模块；所述特征向量p 1 的构建方式为：其中，特征向量p 1 为8维方阵矩阵，0和1表示日期的独热编码形式，c、p、g和m l 分别表示消费者价格指数、地区消费总额、地区生产总值和当月平均负荷；所述特征向量p 2 的构建方式为：其中，特征向量p 2 为由(n+1)个4维方阵组成的特征向量，T t-nD 、H t-nD 和R t-nD 分别表示距t时刻n日前的温度、相对湿度和降水量，下标t-1和t-4h分别表示t时刻前一时刻和t时刻前4小时，n的初始值为6；所述用于根据输入特征向量进行模型优化的模块被设置成基于遗传算法对初始的双分支深度学习的负荷分解模型的调优处理，其包括：采用基于遗传算法的模型参数调优，调优的目标函数如下：min(α·e-β·r)；其中e和r分别表示模型验证误差和皮尔逊相关系数，误差形式采用平均绝对百分比误差MAPE，表达式如下：式中n为数据数量， 表示模型输出值，y i 表示历史数据中对应时刻的真实总负荷值；其中，皮尔逊相关系数表达式如下：式中X、Y表示待求相关系数的两个向量，r为相关性数值。
6.根据权利要求5所述的基于双分支深度学习模型的空调负荷估算系统，其特征在于，所述系统还包括：预测模块，用于对预测地区的未来时刻的空调负荷的预测，包括：将某个时刻的气象数据和/或气象预报数据作为特征数据，输入到双分支深度学习空调负荷分解模型进行预测估计，得到对应时刻的空调负荷预测结果。
