1.一种基于时序画像技术的企业能耗情况预测方法，其特征在于，包括：获取企业的历史能耗数据；辨识历史能耗数据中的缺失值和异常值，并对缺失值和异常值进行修正，得到处理后的能耗数据；基于企业能耗模式的分析，提取处理后能耗数据的特征，构建企业时序画像；通过处理后的数据为每个企业构建时序画像，具体步骤包括：S2.1、基于行业分类标准对企业进行初步归类；S2.2、基于聚类分析企业能耗模式；S2.3、提取企业用电特征；S2.4、构建企业能耗画像；所述步骤S2.2方法如下：采用局部线性嵌入对能耗时序数据进行降维，其工作原理为：对样本集 ，设定最近邻数 和降维后的维数d；以欧氏距离作为度量，计算各个样本 最近的 个最近邻 ；对各个样本 ，求出局部协方差矩阵 ，并求出对应的权重系数向量：由权重系数向量 组成权重系数矩阵 ，计算矩阵 ；计算矩阵 的前 个特征值，并计算这 个特征值对应的特征向量 ；由第二个特征向量到第 个特征向量所组成的矩阵即为降维后的低维样本集矩阵 ；基于LLE降维的模糊C均值聚类，具体工作原理如下：设定参数：根据行业的用户群体规模，确定行业用电模式的数量范围，设定算法起始的最小聚类数 、最大聚类数 及FCM算法相关参数，令 ；执行聚类算法：设该行业下有 个企业，其中用户 的能耗曲线为 ，对 个用户的能耗曲线执行LLE-FCM算法进行聚类分析；评价聚类效果：采用轮廓系数来评价聚类的紧密型和可分性，样本 的轮廓系数 为：其中， 表示 与 类内部剩余样本的平均距离； 表示 与非 类样本距离的最小平均距离； 越接近1，表明样本紧密性与类可分性越好，聚类效果越好；对所有样本的轮廓系数求均值以评价此次聚类有效程度，表示如下：若当前聚类数目 则令 并重复执行聚类算法，直到 ；轮廓系数均值取得最大的聚类数目为最优聚类数目 ，将该次聚类获得的各类聚类中心作归一化后，即为该行业的典型能耗曲线，其中，第 类能耗模式典型曲线记为 ；所述步骤S2.3方法如下：采用非参数核密度估计法对负荷长期发展特征进行概率密度拟合，进而提取典型特征；所述步骤S2.4方法如下：完成企业层到行业层的能耗特性分析后，在企业层和行业层分别都获得了相应的能耗曲线及相关特征，特征包括能耗的趋势、周期性和突变点，基于特征完成企业能耗时序画像的构建；根据构建的时序画像，利用预设的能耗情况预测模型，得到能耗预测结果；其中，所述能耗情况预测模型学习时，使用基于广义可加的非线性回归模型学习浅层时序特征，使用结合鲸鱼优化算法的长短期记忆网络学习深层时序特征，合学习到的浅层时序特征和深层时序特征进行能耗预测；基于Prophet学习浅层时序特征，通过拟合时序中的趋势项的逻辑回归增长模块、周期项的傅里叶级数周期性模块、节假日项导致的非规律性波动模块以及无法预测的因素的误差项来完成预测；使用平均绝对百分比误差作为鲸鱼算法的损失函数，当损失值达到要求即得到优化参数；针对输出企业能耗的预测结果，经过验证后，对企业画像进行补充，完善，进一步提高能耗预测的准确率。
2.如权利要求1所述的一种基于时序画像技术的企业能耗情况预测方法，其特征在于，基于横向的短期环比异常检测方法检测时间窗口内的数据是否遵循周期特征，以及基于同比振幅纵向异常检测法检测时序数据中每一个值是否满足同一天内时刻变化的序列横向周期性特征，进行缺失值和异常值的辨识。
3.如权利要求1所述的一种基于时序画像技术的企业能耗情况预测方法，其特征在于，基于拉格朗日插值法对缺失值和异常值进行修正：其中， 为t时刻缺失值和异常值的填充值； 和 分别是一天中的第 i 个和第 j 个数据点的采样时刻； 为用于构建多项式的样本点数目； 为能耗数据。
4.如权利要求1所述的一种基于时序画像技术的企业能耗情况预测方法，其特征在于，最终的预测结果 为：其中， 为基于广义可加的非线性回归模型在 t 时刻的能耗预测值； 为基于长短期记忆网络在 t 时刻的能耗预测值； 和 为权重。
5.如权利要求1所述的一种基于时序画像技术的企业能耗情况预测方法，其特征在于，当损失值达到要求即得到了优化参数，损失函数TrainingLoss定义为：其中， h ( i )是预测结果中的第 个预测值； 是数据样本中的第 个真实值； n 为预测样本数。
6.一种基于时序画像技术的企业能耗情况预测系统，其特征在于，包括：数据获取模块，被配置为：获取企业的历史能耗数据；异常辨识模块，被配置为：辨识历史能耗数据中的缺失值和异常值，并对缺失值和异常值进行修正，得到处理后的能耗数据；时序画像构建模块，被配置为：基于企业能耗模式的分析，提取处理后能耗数据的特征，构建企业时序画像；通过处理后的数据为每个企业构建时序画像，具体步骤包括：S2.1、基于行业分类标准对企业进行初步归类；S2.2、基于聚类分析企业能耗模式；S2.3、提取企业用电特征；S2.4、构建企业能耗画像；所述步骤S2.1方法如下：采用行业标准作为基准，对企业按照行业类型归属进行初步归类；所述步骤S2.2方法如下：采用局部线性嵌入对能耗时序数据进行降维，其工作原理为：对样本集 ，设定最近邻数 和降维后的维数d；以欧氏距离作为度量，计算各个样本 最近的 个最近邻 ；对各个样本 ，求出局部协方差矩阵 ，并求出对应的权重系数向量：由权重系数向量 组成权重系数矩阵 ，计算矩阵 ；计算矩阵 的前 个特征值，并计算这 个特征值对应的特征向量 ；由第二个特征向量到第 个特征向量所组成的矩阵即为降维后的低维样本集矩阵 ；基于LLE降维的模糊C均值聚类，具体工作原理如下：设定参数：根据行业的用户群体规模，确定行业用电模式的数量范围，设定算法起始的最小聚类数 、最大聚类数 及FCM算法相关参数，令 ；执行聚类算法：设该行业下有 个企业，其中用户 的能耗曲线为 ，对 个用户的能耗曲线执行LLE-FCM算法进行聚类分析；评价聚类效果：采用轮廓系数来评价聚类的紧密型和可分性，样本 的轮廓系数 为：其中， 表示 与 类内部剩余样本的平均距离； 表示 与非 类样本距离的最小平均距离； 越接近1，表明样本紧密性与类可分性越好，聚类效果越好；对所有样本的轮廓系数求均值以评价此次聚类有效程度，表示如下：若当前聚类数目 则令 并重复执行聚类算法，直到 ；轮廓系数均值取得最大的聚类数目为最优聚类数目 ，将该次聚类获得的各类聚类中心作归一化后，即为该行业的典型能耗曲线，其中，第 类能耗模式典型曲线记为 ；所述步骤S2.3方法如下：采用非参数核密度估计法对负荷长期发展特征进行概率密度拟合，进而提取典型特征；所述步骤S2.4方法如下：完成企业层到行业层的能耗特性分析后，在企业层和行业层分别都获得了相应的能耗曲线及相关特征，特征包括能耗的趋势、周期性和突变点，基于特征完成企业能耗时序画像的构建；能耗预测模块，被配置为：根据构建的时序画像，利用预设的能耗情况预测模型，得到能耗预测结果；其中，所述能耗情况预测模型学习时，使用基于广义可加的非线性回归模型学习浅层时序特征，使用结合鲸鱼优化算法的长短期记忆网络学习深层时序特征，合学习到的浅层时序特征和深层时序特征进行能耗预测；基于Prophet学习浅层时序特征，通过拟合时序中的趋势项的逻辑回归增长模块、周期项的傅里叶级数周期性模块、节假日项导致的非规律性波动模块以及无法预测的因素的误差项来完成预测；使用平均绝对百分比误差作为鲸鱼算法的损失函数，当损失值达到要求即得到优化参数；针对输出企业能耗的预测结果，经过验证后，对企业画像进行补充，完善，进一步提高能耗预测的准确率。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-5任一项所述的基于时序画像技术的企业能耗情况预测方法的步骤。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-5任一项所述的基于时序画像技术的企业能耗情况预测方法的步骤。
