1.一种基于频域和空域结合的区域用电量预测方法，其特征在于，包括以下具体步骤：根据获取到的电网历史数据，综合分析电网历史数据中历史用电量数据和位置信息，并对电网历史数据进行季节-趋势项分解；针对输入的电网历史数据进行transformer模型的编码器处理，编码器处理包括基于傅里叶变换的频域特征提取和基于图卷积神经网络的空域特征提取；利用transformer模型的解码器对处理后的数据进行解码层操作，并结合长时间序列中的频域特征、空域特征和multi-head频域子注意力运算，实现精准的电网区域用电量预测；所述综合分析电网历史数据中历史用电量数据和位置信息具体为，所述历史用电量数据包括用户用电量时间序列 ，用户位置信息通过一个有向图 来表示，其中 是用户位置的集合，共有 个用户，也就有 元素， 是有向图的边， 是储存用户之间距离的邻接矩阵，用户各的用电量数据时间序列和位置信息拼接为矩阵 ；对电网历史数据进行季节-趋势项分解具体为，transformer模型对用户用电量时间序列 进行序列分解，分解为季节项 与趋势项 ，具体计算方法如下公式所示： (2)其中， 为平均池化操作， 操作在序列的两端补0以保持序列在池化操作后长度不变；所述基于傅里叶变换的频域特征提取具体为，用户用电量时间序列 中， 为序列长度， 为特征数量，将 维的用户用电量时间序列 送入频域特征层进行傅里叶变换以提取频域特征，频域特征层的具体操作是先对 进行线性映射，将其映射为 维query矩阵 ，其中 为预先设置的适当大小的数，然后对 的每个特征进行快速傅里叶变换得到 维频谱矩阵 ，为减少计算量和防止过拟合，进行稀疏操作，具体做法是对 进行随机采样，得到 维矩阵 ，其中 为远小于 的数，其次使用一层随机初始化的卷积神经网络与 卷积得到 矩阵 ，最后对 进行补零操作使其维度变为 并进行快速傅里叶逆变换得到输出 ；所述基于图卷积神经网络的空域特征提取具体为，将矩阵 送入图卷积网络层，定义在向图 上的图卷积的公式为：其中 为卷积核的参数， 为单位矩阵， 为图 的度矩阵，矩阵 经过图卷积层之后取要预测的用户对应的维度并补零之后得到空域特征层的输出 ；所述针对输入的电网历史数据进行transformer模型的编码器处理中编码器的结构由 个相同的编码层组成，编码器处理为，频域特征层输出 与空域特征层 相加进行序列分解取季节项后送入前馈神经网络，再经过一次序列分解取季节项之后得到该编码层的输出，编码器中的第一层输入为原始数据，后面每个编码层都以前一层的输出为本层的输入，最终编码器输出编码结果 ；所述利用transformer模型的解码器对处理后的数据进行解码层操作具体为，第一步，将季节项 输入频域特征层与空域特征层之后，将特征层的输出与 相加进行序列分解得到季节分量 与趋势分量 ；第二步，将上一步得到的季节分量 与编码器输出编码结果 进行频域自注意力运算；第三步，将频域自注意力输出与第一步得到的季节分量 相加之后进行序列分解，得到季节分量 和趋势分量 ，将 通过前馈神经网络之后与 ， ， 相加之后得到解码器的输出 ；所述频域自注意力运算过程如下：首先通过线性层引入multi-head机制，将 通过线性层映射为更多通道的query矩阵 ，同理将 通过线性层映射为value矩阵V、key矩阵 ，然后对 ， ，V进行快速傅里叶变换和随机采样得到采样后的频谱矩阵 ，其次，将矩阵 进行内积运算，通过softmax激活函数再与 进行内积运算，最后将得到的结果进行补零与快速傅里叶逆变换得到频域自注意力输出 ，公式表示如下，其中， 为softmax激活函数， 为 的维度。
2.一种基于频域和空域结合的区域用电量预测系统，其特征在于，系统采用如权利要求1所述的方法进行预测，系统包括，电网历史数据获取和分析模块，用于获取电网历史数据，综合分析电网历史数据中历史用电量数据和位置信息；季节-趋势项分解模块，用于对电网历史数据进行季节-趋势项分解；特征提取模块，用于对电网历史数据进行基于傅里叶变换的频域特征提取和基于图卷积神经网络的空域特征提取；电网区域用电量预测模块，用于结合长时间序列中的频域特征、空域特征和multi-head频域子注意力运算，实现精准的电网区域用电量预测。
3.一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存储有程序代码，所述程序代码被处理器执行时，实现如权利要求1所述的基于频域和空域结合的区域用电量预测方法的步骤。
