1.一种基于多源特征时间卷积深度学习的电网覆冰预测方法，它包括：步骤1、构建历史覆冰拉力序列数据集P、需要预测的拉力序列Y、气象相关的历史多环境变量序列数据集H、气象预报信息数据集F和地理位置离散化数据集G；步骤2、给P、H和F搭建各自所对应的时间卷积网络TCN模块；步骤3、对各数据集做标准化处理；所述标准化处理的公式为：min和max表示某一特征的最小和最大值；将标准化处理后的时序化影响因素P′、H′、F′输入到各自的TCN模块中，提取出各自的时序特征 nk的大小和TCN模块中卷积核的数量相同；步骤4、对标准化处理后的离散化影响因素G′，以及步骤3所提取出的各时序特征，同时通过可学习的权重矩阵W i 和偏移量b i 做赋权X i ；步骤5、将步骤4中的赋权后的X i 做一个拼接后，同时输入到全连接层中预测未来l 2 个时间步的拉力数据Y。
2.根据权利要求1所述的一种基于多源特征时间卷积深度学习的电网覆冰预测方法，其特征在于：步骤6、将基于多源特征时间卷积深度学习的电网覆冰预测方法和4个多元时间序列预测模型进行预测对比，比较预测精度；所述4个多元时间序列预测模型为ARIMA、RNN、LSTM和Seq2Seq。
3.根据权利要求2所述的一种基于多源特征时间卷积深度学习的电网覆冰预测方法，其特征在于：所述比较预测精度时是通过比较平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE做分析指标，各分析指标值越小则表示预测精度越高。
4.根据权利要求3所述的一种基于多源特征时间卷积深度学习的电网覆冰预测方法，其特征在于：所述平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE做分析指标的计算公式为：其中y i 和 分别表示真实值和预测值，n是训练样本中变量的个数。
5.根据权利要求1所述的一种基于多源特征时间卷积深度学习的电网覆冰预测方法，其特征在于：构建历史覆冰拉力序列数据集 以及需要预测的拉力序列: t表示序列数据的时间步；气象相关的历史多环境变量序列数据集： i表示第i个环境变量；气象预报信息数据集： 地理位置离散化数据集：
6.根据权利要求1所述的一种基于多源特征时间卷积深度学习的电网覆冰预测方法，其特征在于：所述搭建各自所对应的时间卷积网络TCN模块的方法为：TCN网络同时运用了一维卷积、因果卷积、膨胀卷积和残差网络技术，以并行处理序列化数据；其中各层的膨胀系数d的计算式为：d＝b ib是自行设定的膨胀基数，i表示层数；从而，每个TCN模块的各超参数关系为：式中：w表示一个TCN残差块的感受场宽；k表示卷积核的宽度，卷积核的深度和输入数据特征维长度，即所含特征量相同；n是一个TCN残差块的层数；在各TCN模块中超参数以及卷积核数量、TCN残差块的数量、是否对参数做正则化和参数标准化处理都依据各时序化影响因素各自的数据结构、维度、时间窗口长度和数据量单独设定。
7.根据权利要求1所述的一种基于多源特征时间卷积深度学习的电网覆冰预测方法，其特征在于：同时通过各自一可学习的权重矩阵W i 和偏移量b i 做赋权X i 的公式为：X i ＝W i *x i +b ix i 表示p′、h′、f′或G′。
8.根据权利要求1所述的一种基于多源特征时间卷积深度学习的电网覆冰预测方法，其特征在于：全连接层中的激活函数为RELU函数：RELU(x)＝max(0,x)。
