1.一种电能表电流过载预测方法，其特征是，包括以下步骤：获取电流过载相关用电数据特征以及用户用电样本数据；对数据进行预处理，得到具有时序特征的用电数据；针对具有时序特征的用电数据，按照不同时间粒度进行分类，得到多层级的用电时序数据，以设定规则提取用电数据序列中的关键特征，获取不同时间窗口的候选shapelet序列；基于shapelet序列特征与用电特征，采用门控神经网络构建并训练得到的电能表电流过载预测模型，进行电能表电流过载判别；基于电能表电流过载判别结果，整合各时间层级的电流过载分布情况，形成格式化预警报文发送，进行现场核查，并更新数据；按照不同时间粒度进行分类的具体过程包括：按照不同长度的时间窗口进行样本数据划分；获取不同时间窗口的候选shapelet序列的具体过程包括：基于KL散度计算每个候选shapelet特征提取规则和用电数据序列之间的相似性，通过测量计算得到最佳的候选shapelet特征，来表示对应时间范围内的用电数据的关键特征。
2.如权利要求1所述的一种电能表电流过载预测方法，其特征是，相关用电数据包括用户基本信息、计量点信息、电能表信息、电量信息和负荷信息。
3.如权利要求1所述的一种电能表电流过载预测方法，其特征是，所述预处理包括数据清洗、数据补全、数据集成和归一化处理。
4.如权利要求1所述的一种电能表电流过载预测方法，其特征是，电能表电流过载预测模型包括更新门和重置门，所述更新门用于控制前一时刻的用电信息状态被传递到当前时刻状态中的程度；重置门用于控制前一状态有多少信息被写入到当前的候选集。
5.如权利要求1所述的一种电能表电流过载预测方法，其特征是，电能表电流过载预测模型的训练过程包括：将不同时间窗口的用电数据子序列shapelet特征，以及初始得到的用电基础信息特征，进行统一编码后，分别作为GRU网络的输入，并对模型进行参数初始化；利用反向传播算法来训练模型，迭代更新各模型参数；将更新后的模型参数代入目标函数，判断目标函数值与真实值之间的误差是否小于误差阈值，是则进入下一步骤，否则返回进行迭代更新；固定目标函数参数，输出本次获取更新的电能表电流过载预测模型。
6.一种电能表电流过载预测系统，其特征是，包括：用于获取电流过载相关用电数据特征以及用户用电样本数据的模块；用于对数据进行预处理，得到具有时序特征的用电数据的模块；用于针对具有时序特征的用电数据，按照不同时间粒度进行分类，得到多层级的用电时序数据，以设定规则提取用电数据序列中的关键特征，获取不同时间窗口的候选shapelet序列的模块；用于基于shapelet序列特征与用电特征，采用门控神经网络构建并训练得到的电能表电流过载预测模型，进行电能表电流过载判别的模块；用于基于电能表电流过载判别结果，整合各时间层级的电流过载分布情况，形成格式化预警报文发送，进行现场核查，并更新数据的模块；按照不同时间粒度进行分类的具体过程包括：按照不同长度的时间窗口进行样本数据划分；获取不同时间窗口的候选shapelet序列的具体过程包括：基于KL散度计算每个候选shapelet特征提取规则和用电数据序列之间的相似性，通过测量计算得到最佳的候选shapelet特征，来表示对应时间范围内的用电数据的关键特征。
7.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5中任一项所述的方法中的步骤。
8.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7中任一项所述的方法中的步骤。
