1.一种基于动态时序预测的电力系统典型场景概率预测方法，其特征在于，包括根据电力系统目标典型场景的物理特性，基于最大互信息度量方法筛选出与其相关的特征子集，并从历史数据中收集这些特征变量的时间序列数据，结合目标典型场景状态序列形成多维时间序列数据集；基于长短时间记忆网络与历史时间序列数据，通过交叉验证和网格搜索，构建针对于关联特征变量的动态时序预测模型，使用支持向量机(SVM)对数据知识进行建模，对所筛选特征的历史样本进行分类学习，获取针对于每一个数据样本的决策分数；采用一个带参数的sigmoid函数，对SVM的决策分数输出进行修改，并将决策分数值映射到区间[0,1]，利用极大似然估计方法确定sigmoid函数中的参数取值，实现决策分数到概率值的映射，得到电力系统目标典型场景概率预测模型，最终结合特征变量的动态时序预测结果实现对电力系统目标典型场景的定量概率预测。
2.根据权利要求1所述的预测方法，其特征在于，确定需要预测的电力系统目标典型场景，依据历史数据信息构建该目标典型场景的状态序列 N为数据点的总个数，y k 为第k个时间点的目标场景状态取值，y k ∈{0,1}，y k ＝1表示目标场景发生，正例，y k ＝0表示目标场景未发生，负例；同时获取历史数据信息中所记录的各特征变量的时间序列数据，记为X，随后使用最大互信息系数(MIC)度量方法获取每个特征变量与目标典型场景状态序列Y之间的MIC系数，并设置阈值剔除低相关的特征变量，得到特征子集 D'等于特征变量的总个数D减去被剔除特征变量的个数；随后从历史数据中提取特征子集Q中所包含的特征变量的时间序列数据，并结合目标典型场景状态序列Y，形成多维时间序列数据集。
3.根据权利要求1所述的预测方法，其特征在于，使用长短时间记忆网络，构建针对于特征子集Q中所包含的每一个特征变量的动态时序预测模型，称为特征变量动态时序预测模型；长短时间记忆网络的训练输入为 X' k 为输入多维时间序列样本，x' k+α 为对应于样本X' k 的回归预测目标，α为时序预测的提前时间步数；通过交叉验证与网格搜索，训练得到的特征变量动态时序预测模型可实现对特征子集Q中的特征变量的提前α时间步的预测。
4.根据权利要求1所述的预测方法，其特征在于，建立电力系统目标典型场景预测分类监督格式数据集 y k ＝1表示样本x k ′属于正例，y k ＝0表示样本x k ′属于负例，随后将其分为m组；提取其中m-1组使用支持向量机模型构建电力系统典型场景分类模型，得到SVM决策函数f(.)，随后使用决策函数f(.)获取针对于剩下1组样本的决策分数并进行存储，重复此过程m次，每次所提取的m-1组样本不同，可以获取针对于每一个数据样本的决策分数，建立决策分数-标签集 对于第k个数据样本x k ′，支持向量机模型对其决策分数为f k ，y k 为第k个时间点的目标场景状态取值，k＝1,2,...,N。
5.根据权利要求1所述的预测方法，其特征在于，采用一个带A、B参数的sigmoid函数，对SVM输出的决策分数进行修改，将决策分数映射到[0,1]区间，并基于步骤3所获取的决策分数-标签集 使用极大似然估计方法确定sigmoid函数的参数A、B的取值，实现从决策分数到目标典型场景发生概率的转化。
6.根据权利要求1所述的预测方法，其特征在于，采用的基于sigmoid函数的决策分数映射形式如下：式中：A、B为sigmoid函数参数，f为对应于输入样本x′的决策分数值，P(y＝1x′)表示输入样本x′属于正例的概率。
7.根据权利要求1所述的预测方法，其特征在于，基于获取的决策分数-标签集 使用极大似然估计方法求解参数A、B的具体过程如下：式中： 为对应于第k个样本属于正例的概率估计；N + 为全部样本中属于正例的样本的个数，N - 为全部样本中属于负例的样本的个数；通过对minF(A,B)的求解，可以得到参数A、B，从而将SVM模型的决策分数转化为概率输出。
8.根据权利要求1所述的预测方法，其特征在于，动态获取当前时间t能得到的最新的多维时间序列样本X' t ，将其输入步骤2中建立的特征变量动态时序预测模型中，获取关于D'个特征变量的提前α时间步的预测值x' t+α ，将x' t+α 输入步骤3中建立的SVM电力系统典型场景分类模型之中，获取其相应的决策分数f t+α ，并使用步骤4中已确定A、B参数的sigmoid函数，得到样本x' t+α 属于正例的概率p t+α ，即电力系统目标典型场景在未来α时间步发生的概率，完成目标典型场景提前α时间步的概率预测。
