1.一种基于隐私保护分布式聚类的电力负荷预测方法，其特征在于，包括如下步骤：确定参与聚类计算的电力用户和售电公司作为中央协调方，每个电力用户基于自身的历史电力负荷数据，提取负荷特征形成本地数据集；确定初始聚类中心并分发给电力用户，基于本地数据集执行迭代聚类过程，在每次迭代过程中，各电力用户执行本地聚类分配生成若干个聚类，根据每个聚类中的负荷特征的局部和以及负荷特征数量计算秘密分片，根据秘密分片更新聚类中心，重新执行本地聚类分配，直至达到聚类终止条件，生成最终聚类；对最终聚类中的聚类中心添加校准噪声；针对添加校准噪声后的每个聚类构建对应的LSTM负荷预测模型，进行电力负荷预测。
2.根据权利要求1所述的基于隐私保护分布式聚类的电力负荷预测方法，其特征在于，根据秘密分片更新聚类中心之后还包括电力负荷异常检测与空聚类处理；电力负荷异常检测的方法包括：计算每个聚类内负荷特征到聚类中心的距离方差，根据所述距离方差与其对应的阈值识别异常负荷特征，对于异常负荷特征单独构建对应的LSTM负荷预测模型；空聚类处理的方法包括：对空聚类采用分裂最大聚类的策略创建新的聚类中心。
3.根据权利要求1所述的基于隐私保护分布式聚类的电力负荷预测方法，其特征在于，所述聚类终止条件包括：聚类中心的最大变化小于其相应的阈值，或者达到最大迭代次数。
4.根据权利要求1所述的基于隐私保护分布式聚类的电力负荷预测方法，其特征在于，所述确定初始聚类中心的方法包括：基于K-means++原理选择初始聚类中心，并为每个初始聚类中心添加随机扰动。
5.根据权利要求4所述的基于隐私保护分布式聚类的电力负荷预测方法，其特征在于，基于K-means++原理选择初始聚类中心的方法包括：根据负荷特征的数值范围划分网格，并计算每个网格内的负荷特征密度分布；从高密度的网格中随机选择一点作为第一个初始聚类中心；计算每个网格内负荷特征到该第一个初始聚类中心的最小距离平方和，以概率与距离平方和成正比的方式选择后续聚类中心。
6.根据权利要求1所述的基于隐私保护分布式聚类的电力负荷预测方法，其特征在于，各电力用户执行本地聚类分配生成若干个聚类的方法包括：计算负荷特征与聚类中心的加权欧式距离，并对所述加权欧式距离添加可控噪声；将负荷特征分配到加权欧式距离最小的聚类中心对应的类别。
7.根据权利要求1所述的基于隐私保护分布式聚类的电力负荷预测方法，其特征在于，根据每个聚类中的负荷特征的局部和以及负荷特征数量计算秘密分片，根据秘密分片更新聚类中心包括：采用Shamir秘密共享方案更新聚类中心，包括秘密分发、秘密验证、秘密聚合和秘密重构四个阶段，包括以下步骤：分别构造用于共享负荷特征的局部和以及负荷特征数量的多项式，并计算秘密分片，将秘密分片分发给电力用户，每个电力用户接收秘密分片后进行秘密验证和秘密聚合，根据聚合结构插值重构秘密，并计算新的聚类中心。
8.一种基于隐私保护分布式聚类的电力负荷预测系统，其特征在于，包括：负荷特征提取单元，用于确定参与聚类计算的电力用户和售电公司作为中央协调方，每个电力用户基于自身的历史电力负荷数据，提取负荷特征形成本地数据集；聚类分配单元，用于确定初始聚类中心并分发给电力用户，基于本地数据集执行迭代聚类过程，在每次迭代过程中，各电力用户执行本地聚类分配生成若干个聚类，根据每个聚类中的负荷特征的局部和以及负荷特征数量计算秘密分片，根据秘密分片更新聚类中心，重新执行本地聚类分配，直至达到聚类终止条件，生成最终聚类；差分隐私处理单元，用于对最终聚类中的聚类中心添加校准噪声；负荷预测单元，用于针对添加校准噪声后的每个聚类构建对应的LSTM负荷预测模型，进行电力负荷预测。
9.一种电子设备，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，所述计算机程序被加载至处理器时实现根据权利要求1-7任一项所述的基于隐私保护分布式聚类的电力负荷预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-7任一项所述的基于隐私保护分布式聚类的电力负荷预测方法。
