1.基于隐马尔可夫模型的时序负荷数据增强生成方法，其特征在于，包括：S1.将获取的历史和实时的原始时序负荷数据均按照关键时间周期进行划分和时间对齐，获得时间对齐后的历史负荷数据和实时负荷数据；S2.从时间对齐后的历史负荷数据和实时负荷数据中提取波动特征，获得历史波动特征和实时波动特征，利用隐马尔可夫模型对历史波动特征中的不同波动运行态进行建模，建立波动运行态的在线识别模型，以实时波动特征为输入，实时输出识别到的波动运行态；S3.根据识别到的波动运行态自适应生成相应的噪声后注入时间对齐后的实时负荷数据中，生成增强负荷数据；S2包括：S21.对各个不同时间尺度的时间对齐后的负荷数据分别按照相应时间尺度进行聚合，得到各个时间尺度的聚合负荷数据，并分别计算各个时间尺度的聚合负荷数据的对数收益率；S22.结合对应的对数收益率提取每个时间尺度的聚合负荷数据的波动性指标特征，用以刻画随机行为；S23.将所有时间尺度的波动性指标特征插值到统一的时间分辨率，组成综合波动特征向量，综合波动特征向量呈现出与不同波动运行态相对应的聚类模式；S24.利用高斯隐马尔可夫模型对所述综合波动特征向量中的不同波动运行态的时间演化进行建模，建立波动运行态的在线识别模型；S25.在线识别模型经参数估计后，以实时波动特征为输入，实时输出识别到的波动运行态；S3包括：S31.为每个已识别的波动运行态计算其均值波动水平和自适应缩放因子；S32.基于均值波动水平和自适应缩放因子生成与当前波动运行态的波动特征成正比的自适应噪声；S33.将自适应噪声注入到基准负荷数据中，与基准负荷数据进行合成，并通过上下限剪裁生成增强负荷数据。
2.根据权利要求1所述的基于隐马尔可夫模型的时序负荷数据增强生成方法，其特征在于，S1中按照关键时间周期进行划分和时间对齐，具体按照工作日和周末进行划分，将历史源年份的负荷数据对齐到目标年份的日历上，以修正因每年起始星期不同造成的工作日与周末错位，具体包括如下步骤：S11.计算源年份与目标年份的工作日偏移量；S12.将工作日偏移量转换为小时偏移量，根据小时偏移量，通过模运算对原始时序源负荷数据序列进行循环移位，计算出时间对齐后t时刻的负荷值，获得时间对齐后的负荷数据序列作为预测的基准负荷数据；S13.对实际观测的负荷数据与预测的基准负荷数据间的残差建立层次化自回归模型，用于消除系统性偏差，获得偏差消除后的基准负荷数据。
3.根据权利要求1所述的基于隐马尔可夫模型的时序负荷数据增强生成方法，其特征在于，S22中，波动性指标特征包括用于量化负荷数据的短期波动强度的实证波动率特征，以及用于模拟负荷数据的波动时间聚集现象的GARCH型波动聚类特征。
4.根据权利要求1所述的基于隐马尔可夫模型的时序负荷数据增强生成方法，其特征在于，S2中，所述利用隐马尔可夫模型对历史波动特征中的不同波动运行态进行建模，具体利用具有 K 个潜在状态的高斯隐马尔可夫模型，每个潜在状态代表一种独有随机特性的波动运行态，通过一阶马尔可夫链对不同波动运行态的时间演化进行建模；高斯隐马尔可夫模型由状态转移模型和观测模型组成。
5.根据权利要求4所述的基于隐马尔可夫模型的时序负荷数据增强生成方法，其特征在于，S25中，模型参数通过带对角协方差约束的期望最大化算法进行估计；利用前向算法预测识别出波动运行态。
6.基于隐马尔可夫模型的时序负荷数据增强生成方法，其特征在于，包括：S10.将获取的历史和实时的原始时序负荷数据均按照关键时间周期进行划分和时间对齐，获得时间对齐后的历史负荷数据和实时负荷数据；将获取的历史和实时的外部条件数据分别与时间对齐后的历史负荷数据和实时负荷数据进行时间同步，得到时间同步后的历史外部条件数据和实时外部条件数据；S20.从时间对齐后的历史负荷数据和实时负荷数据中提取波动特征，获得历史波动特征和实时波动特征，对时间同步后的历史外部条件数据和实时外部条件数据进行特征编码，获得历史外部条件特征和实时外部条件特征，利用条件隐马尔可夫模型对历史波动特征中的不同波动运行态和历史外部条件特征进行建模，建立波动运行态的改进在线识别模型，以实时波动特征和实时外部条件特征为输入，实时输出识别到的波动运行态；其中，条件隐马尔可夫模型具体通过在隐马尔可夫模型的观测模型中引入外部条件向量及权重得到；包括：S21.对各个不同时间尺度的时间对齐后的负荷数据分别按照相应时间尺度进行聚合，得到各个时间尺度的聚合负荷数据，并分别计算各个时间尺度的聚合负荷数据的对数收益率；S22.结合对应的对数收益率提取每个时间尺度的聚合负荷数据的波动性指标特征，用以刻画随机行为；S23.将所有时间尺度的波动性指标特征插值到统一的时间分辨率，组成综合波动特征向量，综合波动特征向量呈现出与不同波动运行态相对应的聚类模式；S24.利用高斯隐马尔可夫模型对所述综合波动特征向量中的不同波动运行态的时间演化进行建模，建立波动运行态的在线识别模型；S25.在线识别模型经参数估计后，以实时波动特征为输入，实时输出识别到的波动运行态；S30.根据识别到的波动运行态自适应生成相应的噪声后注入时间对齐后的实时负荷数据中，生成增强负荷数据；包括：S31.为每个已识别的波动运行态计算其均值波动水平和自适应缩放因子；S32.基于均值波动水平和自适应缩放因子生成与当前波动运行态的波动特征成正比的自适应噪声；S33.将自适应噪声注入到基准负荷数据中，与基准负荷数据进行合成，并通过上下限剪裁生成增强负荷数据。
7.根据权利要求6所述的基于隐马尔可夫模型的时序负荷数据增强生成方法，其特征在于，所述外部条件数据包括气象数据、日历信息和经济指标。
8.一种基于隐马尔可夫模型的时序负荷数据增强生成装置，用于执行上述权利要求1至5任一项所述的方法，其特征在于，包括：时间对齐模块，用于将获取的历史和实时的原始时序负荷数据均按照关键时间周期进行划分和时间对齐，获得时间对齐后的历史负荷数据和实时负荷数据；实时识别模块，用于从时间对齐后的历史负荷数据和实时负荷数据中提取波动特征，获得历史波动特征和实时波动特征，利用隐马尔可夫模型对历史波动特征中的不同波动运行态进行建模，建立波动运行态的在线识别模型，以实时波动特征为输入，实时输出识别到的波动运行态；包括：S21.对各个不同时间尺度的时间对齐后的负荷数据分别按照相应时间尺度进行聚合，得到各个时间尺度的聚合负荷数据，并分别计算各个时间尺度的聚合负荷数据的对数收益率；S22.结合对应的对数收益率提取每个时间尺度的聚合负荷数据的波动性指标特征，用以刻画随机行为；S23.将所有时间尺度的波动性指标特征插值到统一的时间分辨率，组成综合波动特征向量，综合波动特征向量呈现出与不同波动运行态相对应的聚类模式；S24.利用高斯隐马尔可夫模型对所述综合波动特征向量中的不同波动运行态的时间演化进行建模，建立波动运行态的在线识别模型；S25.在线识别模型经参数估计后，以实时波动特征为输入，实时输出识别到的波动运行态；数据增强模块，用于根据识别到的波动运行态自适应生成相应的噪声后注入时间对齐后的实时负荷数据中，生成增强负荷数据；包括：S31.为每个已识别的波动运行态计算其均值波动水平和自适应缩放因子；S32.基于均值波动水平和自适应缩放因子生成与当前波动运行态的波动特征成正比的自适应噪声；S33.将自适应噪声注入到基准负荷数据中，与基准负荷数据进行合成，并通过上下限剪裁生成增强负荷数据。
