1.一种源荷随机配电网的降损潜力动态评估方法，其特征在于，包括：（1）构建多场景仿真数据集：搭建含分布式光伏、可变负荷、常规电源及集中式风电的源荷随机配电网仿真模型；采集多个时刻的常规电源有功功率、常规电源无功功率、集中式风电有功功率、集中式风电无功功率、分布式光伏有功功率、分布式光伏无功功率、可变负荷有功功率、可变负荷无功功率作为输入数据，代入仿真模型进行潮流计算，输出对应时刻的总线损功率值和无功引起的线损功率值，合并输入数据与输出数据得到原始数据集；对原始数据集进行标准化处理以消除量纲影响，再按前若干时刻输入数据+未来若干时刻动态线损值的规则构建样本集，采用分层随机抽样按预设比例划分训练集、验证集和测试集；（2）构建BiGRU-Attention动态线损预测模型：搭建包含输入层、BiGRU层、注意力机制、全连接层及输出层的数据驱动模型，其中输入层接收样本集数据并形成输入序列，BiGRU层提取时间序列特征并捕获动态线损与输入特征的依赖关系，注意力机制为不同时间步特征分配权重，全连接层实现特征转换与非线性映射，输出层输出动态线损预测值；（3）训练动态线损预测模型：合并训练集与验证集并分成若干互斥子集，进行K折交叉验证；定义模型超参数，选择优化器并以均方误差为目标函数训练模型；加载各折训练得到的最佳模型，在测试集上预测并取平均，对结果进行反归一化处理；（4）预测次日动态线损值：将外部变量数据按步骤（1）的标准化规则处理后，输入训练好的动态线损预测模型，得到次日各时刻的动态线损预测值；（5）拟合线损关系：以步骤（1）得到的无功引起的线损功率值为自变量，总线损功率值为因变量，进行关系拟合，得到线损关系表达式；（6）动态评估降损潜力：将次日各时刻的动态线损预测值代入线损关系表达式，得到对应时刻的最大降损功率；用动态线损预测值减去对应时刻的最大降损功率，得到理想线损功率；分别累加次日各时刻的最大降损功率和理想线损功率，得到最大降损电量和理想线损电量；通过上述最大降损功率、理想线损功率及对应的最大降损电量和理想线损电量，实现源荷随机配电网次日降损潜力的动态评估。
2.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（1）中，所述源荷随机配电网仿真模型采用辐射式网架结构，总节点个数为34，分布式光伏接在16个节点上，可变负荷接在32个节点上，常规电源接在节点0，集中式风电接在节点33。
3.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（1）中，所述多个时刻为覆盖一年周期的35040个时刻，相邻两个时刻的时间步长为15分钟。
4.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（1）中，所述标准化处理采用Z-Score标准化方法，具体为计算原始数据集每列数据的均值和标准差，将每列数据转换为符合标准正态分布的形式。
5.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（1）中，构建样本集时，前若干时刻输入数据为前8个时刻的输入数据，未来若干时刻动态线损值为未来1个时刻的动态线损值，即每条样本包含前8个时刻的输入数据和未来1个时刻的动态线损值。
6.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（1）中，所述分层随机抽样的预设比例为7:2:1，即训练集占样本集的70%，验证集占20%，测试集占10%。
7.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（3）中，所述若干互斥子集的数量为5，即采用5折交叉验证；所述优化器为Adam优化器，所述模型超参数具体为：输入特征维度8、输出特征维度1、训练轮次200、学习率 、隐藏层层数2、丢失率0.2、早停耐心值20、批量大小32。
8.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（2）中，所述注意力机制的权重分配过程包括：①对每个时间步、每个输入特征的隐藏状态计算标量评分；②通过指数函数将标量评分转换为注意力权重，且所有注意力权重之和为1；③使用注意力权重对每个时间步的隐藏状态进行加权求和，得到上下文向量，所述上下文向量用于全连接层的特征映射。
9.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（5）中，所述关系拟合为多项式拟合，具体通过对总线损功率值与无功引起的线损功率值的样本数据进行多项式回归分析，确定拟合系数，得到多项式形式的线损关系表达式。
10.根据权利要求1所述的源荷随机配电网的降损潜力动态评估方法，其特征在于，步骤（6）中，累加次日各时刻的最大降损功率和理想线损功率时，采用与步骤（1）中历史数据相同的15分钟时间步长，通过每个时刻的功率×时间步长计算该时刻的电量，再对所有时刻的电量进行累加，得到次日的最大降损电量和理想线损电量。
