1.基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，包括以下步骤，

步骤1：收集多个样本日的负荷功率和影响因素数据，形成数据集并分为训练集、验证集和测试集；

步骤2：设置模型超参数；

步骤3：建立约束并行LSTM模型，采用并行式训练方法，对约束并行LSTM模型中各个分位点LSTM进行预训练，获得权重、偏置参数集；

步骤4：将得到的权重、偏置参数集作为约束并行LSTM模型的初始参数，对约束并行LSTM模型进行整体训练，训练过程中对权重、偏置参数进行微调，确定约束并行LSTM模型的最佳权重、偏置参数；

步骤5：将验证集输入训练好的约束并行LSTM模型，根据验证误差选出模型的最佳超参数；

步骤6：将测试样本输入具有最佳超参数的约束并行LSTM模型，对约束并行LSTM模型输出的预测结果进行反归一化，得到预测日中各时刻预测负荷的多个分位数预测值。

2.根据权利要求1所述的基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，还包括步骤7：根据步骤6得到的预测负荷的多个分位数，计算得到预测点的概率密度曲线。

3.根据权利要求1所述的基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，步骤1还包括对数据集的各类数据进行归一化，将数据变量归一化到[-1,1]区间。

4.根据权利要求1所述的基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，具体地，步骤1对样本日收集0时～24时相邻时间点间隔15分钟的96点负荷功率数据，选取预测前日的96点负荷功率与预测日的24时刻气温和分区降雨量组成多维特征输入变量向量，以预测日的96点负荷分位数作为输出变量向量，输入变量Xd＝[Td,Rd]，气温Td＝[T1,T2,…,T24]d，其中Ti,i∈{1,2,…,24}表示i时测取的天气温度，降雨量Rd＝[R1,R2,…,RM]d，其中Rj,j∈{1,2,…,M}表示预测地区的第j个子区域的降雨，d∈{1,2,…,D}，D为历史样本总天数，M为预测地区所包含的子区域数。

5.根据权利要求1所述的基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，步骤2中，所述模型超参数包括神经元的数量m、样本的时窗长度l、节点数n和惩罚项参数λ1、λ2。

6.根据权利要求1所述的基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，步骤4中，所述对权重、偏置参数进行微调，根据损失函数，运用梯度下降算法对权重、偏置参数进行微调整。

7.根据权利要求2所述的基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，所述计算得到预测点的概率密度曲线采用高斯核密度估计方法。

8.根据权利要求1所述的基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，步骤6的预测结果采用计及分位数约束关系的评价指标评价分位数的交叉情况，计及分位数约束关系的指标如下：其中XCS表示计及分位数约束关系的评价指标值； 是t时刻分位点τi下的预测值，N为测试时刻的总数，vt,i为约束违反程度函数，θ表示分站点之间的步长；当相邻分位数之间满足约束关系时，vt,i为0，而当违背约束关系时，vt,i为相邻分位数的正差值，反映约束违反的程度；系数项2θ/N为分位数约束误差平方的归一化系数。

9.根据权利要求1-8任意一项所述的基于约束并行LSTM分位数回归的电力负荷概率预测方法，其特征在于，步骤1按照8:1:1的比例，将数据集划分为训练集、验证集和测试集。