1.一种电厂煤量调度方法，其特征在于，包括：获取历史样本数据；其中，所述历史样本数据包括电厂每个送电区域的用电时间、用电类型、用电地址、用电量、煤量调度成本数据以及耗煤量；对ARIMA模型进行改进，得到用电量预测模型；其中，所述用电量预测模型用于对未来某一段时间的用电量进行预测；根据所述历史样本数据与用电量预测模型进行预测，得到各个送电区域的用电量预测值；根据所述用电量预测值对耗煤量与煤量调度情况进行分析，得到各个送电区域的预测耗煤量和预测调度值；将各个送电区域的预测耗煤量和预测调度值相加，得到电厂的整体预测耗煤量与整体预测调度值；根据所述整体预测耗煤量与整体预测调度值对电厂煤量调度进行控制；其中，所述根据所述用电量预测值对耗煤量与煤量调度情况进行分析，得到各个送电区域的预测耗煤量和预测调度值，具体包括：根据Cplex技术以及各个送电区域的煤量调度成本数据、耗煤量对所述用电量预测值进行优化；根据优化结果得到各个送电区域的预测耗煤量和预测调度值；所述用电量预测模型具体为：其中， 是某一时刻的用电量预测值， ， ，···, 是自回归待估系数， 是移动平均待估系数， 是噪声；所述方法还包括：对所述历史样本数据进行分类，得到离散型数据与连续型数据；根据卡方检验算法分析所述离散型数据的实际观测值与理论推断值之间的偏离程度，得到任意两个所述离散型数据之间的关联性；根据斯皮尔曼相关性系数算法分析所述连续性数据之间的依赖程度，得到任意两个所述连续型数据之间的关联性；根据所有所述关联性对各个电厂的输电量和储煤量进行调整。
2.根据权利要求1所述的电厂煤量调度方法，其特征在于，在获取历史样本数据之后，还包括：对所述历史样本数据进行预处理；其中，所述预处理包括生成列、追加、聚合、删除、重命名、排序、过滤、填充、格式转换以及类型转换中的一种或多种。
3.根据权利要求1所述的电厂煤量调度方法，其特征在于，所述对ARIMA模型进行改进，得到用电量预测模型，具体包括：根据Nowton-Cotes求积公式计算某段时间的历史样本数据的近似计算值；根据所述近似计算值对ARIMA模型进行改进，得到用电量预测模型。
4.一种电厂煤量调度装置，其特征在于，包括：样本获取模块，用于获取历史样本数据；其中，所述历史样本数据包括电厂每个送电区域的用电时间、用电类型、用电地址、用电量、煤量调度成本数据以及耗煤量；模型改进模块，用于对ARIMA模型进行改进，得到用电量预测模型；其中，所述用电量预测模型用于对未来某一段时间的用电量进行预测；电量预测模块，用于根据所述历史样本数据与用电量预测模型进行预测，得到各个送电区域的用电量预测值；煤量预测模块，用于根据所述用电量预测值对耗煤量与煤量调度情况进行分析，得到各个送电区域的预测耗煤量和预测调度值；累加模块，用于将各个送电区域的预测耗煤量和预测调度值相加，得到电厂的整体预测耗煤量与整体预测调度值；控制模块，用于根据所述整体预测耗煤量与整体预测调度值对电厂煤量调度进行控制；其中，所述煤量预测模块根据所述用电量预测值对耗煤量与煤量调度情况进行分析，得到各个送电区域的预测耗煤量和预测调度值，具体包括：根据Cplex技术以及各个送电区域的煤量调度成本数据、耗煤量对所述用电量预测值进行优化；根据优化结果得到各个送电区域的预测耗煤量和预测调度值；所述用电量预测模型具体为：其中， 是某一时刻的用电量预测值， ， ，···, 是自回归待估系数， 是移动平均待估系数， 是噪声；所述装置还用于：对所述历史样本数据进行分类，得到离散型数据与连续型数据；根据卡方检验算法分析所述离散型数据的实际观测值与理论推断值之间的偏离程度，得到任意两个所述离散型数据之间的关联性；根据斯皮尔曼相关性系数算法分析所述连续性数据之间的依赖程度，得到任意两个所述连续型数据之间的关联性；根据所有所述关联性对各个电厂的输电量和储煤量进行调整。
5.根据权利要求4所述的电厂煤量调度装置，其特征在于，所述模型改进模块包括：近似值计算单元，用于根据Nowton-Cotes求积公式计算某段时间的历史样本数据的近似计算值；模型改进单元，用于根据所述近似计算值对ARIMA模型进行改进，得到用电量预测模型。
6.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的一种电厂煤量调度方法。
7.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项所述的电厂煤量调度方法。
