1.一种基于协同优化的短期电力负荷预测方法，其特征在于，包括：获取电力系统的负荷相关数据，并对所述负荷相关数据进行数据预处理，得到数据向量，所述负荷相关数据包括负荷数据、气象数据和日期数据；将所述数据向量输入预设的负荷预测模型，得到电力负荷预测结果，所述负荷预测模型采用基于自注意力机制的深度神经网络模型构建，并采用自适应信息共享机制的蚁狮算法进行超参数优化；其中，所述采用自适应信息共享机制的蚁狮算法进行超参数优化的步骤包括：将所述负荷预测模型的超参数映射为蚁狮种群的多维位置向量，并根据模型性能和超参数合理性，建立目标函数；基于自适应信息共享机制蚁狮算法对所述目标函数进行迭代求解，得到最优超参数组合。
2.根据权利要求1所述的基于协同优化的短期电力负荷预测方法，其特征在于，所述对所述负荷相关数据进行数据预处理，得到数据向量的步骤：对负荷数据进行小波分解和重构，得到重构负荷序列；对日期数据进行正余弦位置编码，得到时间编码向量；对气象数据、所述重构负荷序列和所述时间编码向量进行归一化，得到数据向量；其中，采用如下公式表示所述重构负荷序列：式中， 表示重构负荷序列， 表示小波变换函数， 表示负荷数据， 表示线性修正单元， 表示第三层小波分解的系数， 表示第四层小波分解的系数， 表示标准差函数。
3.根据权利要求1所述的基于协同优化的短期电力负荷预测方法，其特征在于，所述将所述负荷预测模型的超参数映射为蚁狮种群的多维位置向量，并根据模型性能和超参数合理性，建立目标函数的步骤包括：将所述负荷预测模型的超参数映射为蚁狮种群的多维位置向量，并对所述蚁狮种群进行初始化，所述超参数包括注意力头数、隐藏层维度和学习率；以注意力头数与隐藏层维度的比例作为模型参数冗余度，以学习率与学习率基准值之间的差异作为学习率偏离度；以最小化所述负荷预测模型在验证集上的交叉熵损失、模型参数冗余度和学习率偏离度为目标函数；其中，采用如下公式表示所述目标函数：式中，CE表示交叉熵损失， 表示交叉熵损失权重，HD表示模型参数冗余度， 表示模型参数冗余度权重，XD表示学习率偏离度， 表示学习率偏离度权重， 表示最小值函数。
4.根据权利要求3所述的基于协同优化的短期电力负荷预测方法，其特征在于，所述基于自适应信息共享机制蚁狮算法对所述目标函数进行迭代求解，得到最优超参数组合的步骤包括：根据蚂蚁的随机游走，计算蚁狮位置矩阵和对应的蚁狮适应度矩阵，并从蚁狮位置矩阵中选取出适应度低于适应度阈值的非精英蚁狮；根据精英蚁狮位置对选取出的非精英蚁狮的位置进行更新，并根据得到的更新的非精英蚁狮位置，对所述蚁狮位置矩阵进行更新；根据更新的所述蚁狮位置矩阵，得到蚁狮位置和蚁狮最优位置；根据预设的探索权重、所述蚁狮最优位置和蚁狮历史最优位置，对所述蚁狮位置进行优化，得到优化后的蚁狮位置，所述探索权重包括局部探索权重和全局探索权重；按照上述步骤对所述优化后的蚁狮位置进行迭代计算，直至达到迭代停止条件，得到最优超参数组合。
5.根据权利要求4所述的基于协同优化的短期电力负荷预测方法，其特征在于，所述根据预设的探索权重、所述蚁狮最优位置和蚁狮历史最优位置，对所述蚁狮位置进行优化，得到优化后的蚁狮位置的步骤包括：计算蚁狮历史最优位置与所述蚁狮位置之间的第一差值，并计算所述蚁狮最优位置和所述蚁狮历史最优位置之间的第二差值；根据局部探索权重与所述第一差值之间的乘积、以及全局探索权重与所述第二差值之间的乘积，对所述蚁狮位置进行优化，得到优化后的蚁狮位置；其中，采用如下公式表示所述优化后的蚁狮位置：式中， 表示第t次迭代优化后的蚁狮位置， 表示第t次迭代优化前的蚁狮位置， 表示局部探索权重， 表示全局探索权重， 表示第t次迭代蚁狮历史最优位置， 表示第t次迭代蚁狮最优位置。
6.根据权利要求4所述的基于协同优化的短期电力负荷预测方法，其特征在于，所述根据预设的探索权重、所述蚁狮最优位置和蚁狮历史最优位置，对所述蚁狮位置进行优化，得到优化后的蚁狮位置的步骤还包括：根据蚁狮的个体适应度和群体平均适应度，计算各个蚁狮的信息共享强度；根据所述信息共享强度与强度阈值之间的比较关系，对预设的探索权重进行调整，并根据调整后的探索权重，对所述蚁狮位置进行优化；其中，采用如下公式表示信息共享强度：式中， 表示第t次迭代第j个蚁狮的信息共享强度，α表示调节因子，β表示敏感度因子，f m,t 表示第t次迭代当前种群中蚁狮的群体平均适应度，f t,j 表示第t次迭代第j个蚁狮的个体适应度。
7.根据权利要求6所述的基于协同优化的短期电力负荷预测方法，其特征在于，所述根据所述信息共享强度与强度阈值之间的比较关系，对预设的探索权重进行调整的步骤包括：判断所述信息共享强度是否大于第一强度阈值，若大于第一强度阈值，则按照预设比例增大预设的局部探索权重，得到调整后的局部探索权重，反之，则判断所述信息共享强度是否小于第二强度阈值；若小于第二强度阈值，则按照预设比例增大预设的全局探索权重，得到调整后的全局探索权重。
8.根据权利要求7所述的基于协同优化的短期电力负荷预测方法，其特征在于，所述基于自适应信息共享机制蚁狮算法对所述目标函数进行迭代求解，得到最优超参数组合的步骤还包括：根据当前超参数组合相比前一次迭代的超参数组合的适应度提升率，对当前超参数组合中的当前注意力头数进行更新，得到更新的注意力头数；根据所述更新的注意力头数对当前超参数组合进行更新；其中，采用如下公式表示所述更新的注意力头数：式中， 表示更新的注意力头数，h表示当前注意力头数， 表示适应度提升率， 表示搜索强度系数。
9.根据权利要求4所述的基于协同优化的短期电力负荷预测方法，其特征在于，采用如下公式表示所述迭代停止条件：式中， 表示第t次迭代的验证集平均绝对误差， 表示前t-5次迭代的验证集平均绝对误差。
10.一种基于协同优化的短期电力负荷预测系统，其特征在于，包括：数据预处理模块，用于获取电力系统的负荷相关数据，并对所述负荷相关数据进行数据预处理，得到数据向量，所述负荷相关数据包括负荷数据、气象数据和日期数据；负荷预测模块，用于将所述数据向量输入预设的负荷预测模型，得到电力负荷预测结果，所述负荷预测模型采用基于自注意力机制的深度神经网络模型构建，并采用自适应信息共享机制的蚁狮算法进行超参数优化；其中，所述采用自适应信息共享机制的蚁狮算法进行超参数优化的步骤包括：将所述负荷预测模型的超参数映射为蚁狮种群的多维位置向量，并根据模型性能和超参数合理性，建立目标函数；基于自适应信息共享机制蚁狮算法对所述目标函数进行迭代求解，得到最优超参数组合。
