1.一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述方法包括以下步骤：S1、采集中压配电网的多源数据，并根据多源数据构建第一高维特征矩阵；S2、设计自适应分层聚类算法根据高维特征矩阵动态识别负载类型，然后从负载类型中提取负载的时序特征和时序特征中的自相关特征，将时序特征和自相关特征建成第二高维特征矩阵；S3、构建时序多级递归神经网络，让第二高维特征矩阵作为输入，通过递归结构和正则化方法，同时结合短期与长期特征进行负载预测；S4、根据负载预测计算电网的当前容载比，并对当前容载比进行初步优化，得到初步优化的负载预测；S5、根据初步优化的负载预测构建深度学习模型对能量管理策略进行深入优化，并调整深度学习模型的模型参数适应实际运行状况；S6、实时监控中压配电网的运行情况，并使用强化学习模型优化深度学习模型和能量管理策略。
2.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述多源数据包括电气数据、环境数据和用户行为数据；所述电气数据包括电压、电流和功率；所述环境数据为环境变化；所述用户行为数据为不同用户的用电模式导致的负载波动，所述负载波动包括负载功率因数和用电特征；所述根据多源数据构建第一高维特征矩阵，具体包括：将多源数据进行预处理，所述预处理包括数据同步与归一化处理、噪声过滤与异常值处理和特征扩展与时序特征生成处理，最后生成时序特征，将生成的时序特征整合成第一高维特征矩阵。
3.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述设计自适应分层聚类算法根据高维特征矩阵动态识别负载类型，具体包括：将第一高维特征矩阵将按照固定窗口进行分段，形成包含过去n个时间步的分段矩阵S(t)，然后采用主成分分析对分段矩阵S(t)进行降维生成特征向量R(t)，最后引入自适应分层聚类算法，通过距离度量对特征向量R(t)进行初步聚类并根据时序特性调整聚类层次，最终输出负载类型C(t)；所述从负载类型中提取负载的时序特征和时序特征中的自相关特征，将时序特征和自相关特征建成第二高维特征矩阵，具体包括：对每种负载类型C(t)，使用滑动窗口方法对其特征进行扩展，形成每种负载类型的时序特征T C (t)，同时计算负载类型C(t)下的自相关函数A C (t)，识别长期负载的周期特性，最终将自相关函数A C (t)和每种负载类型的时序特征T C (t)重新组成第二高维特征矩阵E(t)。
4.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述时序多级递归神经网络包括第一层递归网络和第二层递归网络；所述第一层递归网络处理每种负载类型的时序特征，表示如下：h 1 (t)＝RNN 1 (T C (t))+λ 1 ·reg(T C (t))其中，h 1 (t)是第一层递归网络的隐藏状态，λ 1 是正则化系数，reg(T C (t))是专门设计的局部平滑正则项，RNN 1 是第一层递归网络，T C (t)是时序特征；其中，所述局部平滑正则项reg(T C (t))表示如下：其中，n是窗口总数，i是窗口大小，t是当前时刻；所述第二层递归网络结合第一层的隐藏状态和自相关特征处理负载的长期趋势，表示如下：h 2 (t)＝RNN 2 (h 1 (t),A C (t))+λ 2 ·reg(A C (t))其中，h 2 (t)是第二层递归网络的隐藏状态，A C (t)是自相关特征，λ 2 是正则化系数；reg(A C (t))是长期周期正则项，表示如下：其中，m是时间步总数，k是k个时间步；经过所述时序多级递归神经网络的输出，最终的隐藏状态h 2 (t)被传递到全连接层进行映射，生成负载预测值P(t)，表示如下：P(t)＝W p ·h 2 (t)+b p其中，W p 是全连接层的权重矩阵，b p 是偏置项，P(t)表示未来时间步t的负载预测值；在所述S3中，还包括：在所述时序多级递归神经网络的预测输出层增加了负荷分配约束项，对负载满足电网容量进行约束，表示如下：其中，C(t)是约束项，P i (t)是第i类负载的预测值，Capacity i 是其对应的配电网容量。
5.根据权利要求4所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，在所述时序多级递归神经网络的训练过程中，使用历史负载数据进行监督学习，并采用加权均方误差损失函数，对不同负载类型的误差赋予不同的权重，表示如下：其中，Y(t)是实际负载，P(t)是预测负载，α是根据负载类型动态调整的权重因子。
6.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述对当前容载比进行初步优化，得到初步优化的负载预测，具体包括：构建自适应负载平衡优化模型，根据每个节点的容载比R i (t)，对高于设定阈值的节点进行负载转移，表示如下：其中，ΔP i (t)是节点负载调整项，该项根据每个节点的当前容载比和其相邻节点的负载情况进行动态调整；α是负载平衡调整系数，用于控制负载分配速度；β是相邻节点调整系数，用于调整与相邻节点的负载差异；N(i)是与节点i相邻的节点集合，|N(i)|是相邻节点的数量；P j (t)是相邻节点j的负载预测值；Capacity i 是该负载类型对应的电网节点的容量；P i (t)是第i类负载的预测值；同时引入电网动态调整函数D(t)，用来描述当前电网中容载比的动态变化速率，表示如下：根据当前电网动态调整函数D(t)的值，识别电网中负载变化的区域，并根据变化的程度提前进行负荷调度；其中，每个节点的容载比R i (t)是电网中各节点负载与其可用容量之间的比值，用于衡量电网是否处于正常负荷下，表示如下：其中，P i (t)是第i类负载的预测值；Capacity i 是该负载类型对应的电网节点的容量；R(t)是时间t时刻的总容载比。
7.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述S5，具体包括：S5.1、设计自适应负载优化机制对每个节点的容载比对进行实时校正，确保每个节点的容载比在其容量范围内；其中，所述自适应负载优化机制通过最小化基于容载比的自适应优化函数O(t)确保负载的平衡性，同时动态调整负载预测值，使得电网的实际运行状态最接近负载预测结果；所述自适应优化函数O(t)表示如下：其中，R i (t)是第i节点的容载比；P i (t)是该节点的负载预测值；Capacity i 是该节点的容量；ΔP i (t)是节点负载调整量；γ是平衡负载调整项的权重系数，用于控制容载比优化与节点负载调整的相对重要性；S5.2、针对负载变化设计自适应回归更新机制对深度学习模型进行自适应更新；S5.3、对深度学习模型进行闭环反馈，将负载预测误差和容载比反馈至调度系统，并动态调整下一轮的负载预测模型，同时将每次负载分配的节点负载调整量反馈到深度学习模型，动态调整深度学习模型的模型参数。
8.根据权利要求7所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述S5.2，具体包括：首先，计算当前负载预测误差∈(t)，表示如下：其中，Y i (t)是实际负载值；设计带权重衰减的更新机制让深度学习模型在负载剧烈波动时具有最好的适应性，表示如下：其中，ΔW(t)是模型权重的调整量，η是学习率，用于控制权重更新的速度， 是容载比项，用于在负载接近节点容量时减缓权重调整。
9.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述强化学习模型的状态包括当前电网中各节点的容载比、预测误差，以及相邻节点间的负载调整；动作包括通过动态调整节点负载分配和深度学习模型的模型权重更新；奖励函数R(t)表示如下：其中，R i (t)是节点i的容载比，目标是接近1，表示节点的负载在其容量内；α是用于调控负载调整平滑度的系数，防止过度调整导致不稳定；β是用于控制预测误差对奖励的影响，确保模型预测精度持续提升。
10.根据权利要求9所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述强化学习模型采用深度Q学习算法进行优化，通过状态S(t)和动作A(t)，计算当前时刻的Q值，反映在特定状态下采取某个动作的期望累积奖励。Q值更新公式如下：其中，η是学习率，用于控制Q值的更新幅度，γ是折扣因子，权衡当前奖励与未来收益的影响，R(t)是当前的奖励函数，表示在当前负载调度下的运行效果。
