1.一种基于组合赋权法和深度学习的配电网线损计算方法，其特征是：包括以下步骤，并且以下步骤顺次进行，步骤一、选取电气参数作为原始特征集，对各电气参数分别采集样本数据，将上述电气参数样本数据和等值电阻法计算得到的理论线损按归一化公式进行归一化处理，分别获得归一化值，归一化公式为：公式中：x'i为第i种电气参数实际值；xi为归一化值；

步骤二、构建深度学习门控循环单元GRU网络计算模型，确定最优GRU网络计算模型的激活函数、隐含层层数和神经元个数；

步骤三、通过步骤一中获得的各电气参数的归一化值以及等值电阻法计算得到的理论线损，基于层次分析法和互信息理论相结合的组合赋权法，利用电气参数对理论线损的影响权重公式计算并获得组合赋值权重，按照权重从大到小的顺序构建不同数目的电气参数作为输入集，分别对GRU网络的理论线损计算模型进行训练测试和验证，将线损计算结果误差最小的电气参数集确定为最优输入参数集，其中，各项电气参数对理论线损的影响权重λi为

λi＝εWi+(1‑ε)γi

式中：ε为层次分析法获得的权重占组合法的比重，取0.5；i为第i种电气参数；γi为互信息理论获得的各项电气参数权重；Wi为层次分析法获得的各项电气参数权重；

步骤四、根据步骤三中获得的各项电气参数权重获得最终的深度学习门控循环单元GRU网络计算模型，实用时，按照最优输入参数集对新采集的线路参数组成输入集，并将此输入集作为GRU网络的理论线损计算模型的输入，利用步骤三训练好的GRU网络的理论线损计算模型，计算并获得相应线路的线损数值，以等值电阻法的计算结果为参考，按计算结果误差小于设定阈值进一步确定基于GRU网络的配电网理论线损计算方法的有效性。

2.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法，其特征是：所述步骤一中选取的电气参数包括月有功供电量、月无功供电量、线路总长度、主干线路长度、分支线路长度、配电变压器容量和线路等效截面积。

3.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法，其特征是：所述步骤二中的GRU网络计算模型公式如下：rt＝sigmoid(wrhht‑1+wrxxt+br)

zt＝sigmoid(wzhht‑1+wzxxt+bz)

gt＝tanh(wgh(rt·ht‑1)+wgxxt+bg)ht＝(1‑zt)·ht‑1+zt·gt

式中：wrh、wrx为重置门权重；wzh、wzx为更新门权重；wgh、wgx为形成当前记忆状态gt时的权重；br、bz、bg为偏置矩阵；sigmoid、tanh为激活函数；运算符“·”表示向量的内积。

4.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法，其特征是：所述步骤二中基于GRU网络理论线损计算模型的激活函数采用sigmoid函数和tanh函数。

5.根据权利要求4所述的一种基于组合赋权法和深度学习的配电网线损计算方法，其特征是：所述步骤二中隐含层层数和神经元个数的确定过程为：将多条配电线路按照设定的比例分配，选取一部分对GRU网络的理论线损计算模型进行训练另一部分进行测试，以单层隐含层为基础，通过改变神经元个数，分别获得相应的线损数值，利用平均绝对误差百分比MAPE公式和均方根误差RMSE公式，分别获得线损数值误差MAPE和RMSE最小时对应的神经元个数；通过固定第一层隐含层神经元个数，逐层增加隐含层的层数，再次利用平均绝对误差百分比MAPE公式和均方根误差RMSE公式确定每一层隐含层对应的最优神经元个数，持续增加隐含层层数，选取GRU网络的理论线损计算模型过拟合前的临界隐含层层数和每一层隐含层对应的最优神经元个数为最优的GRU网络参数。

6.根据权利要求5所述的一种基于组合赋权法和深度学习的配电网线损计算方法，其特征是：所述步骤二和步骤四中的计算结果误差为以等值电阻法的理论线损计算值为基准的平均绝对误差百分比MAPE和均方根误差RMSE，其公式分别如下：式中： 为GRU网络的理论线损计算值，yij为等值电阻法的理论线损计算值；m为测试集样本数。

7.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法，其特征是：所述步骤三中互信息理论获得的各项电气参数权重计算方法为：理论线损计算中，设定X为原始特征集中的任一电气参数，Y为理论线损计算值，两者之间的互信息I(X；Y)为：式中：p(x)、p(y)表示变量X、Y的边缘概率函数；p(x,y)表示变量X、Y的联合概率函数；

则各电气参数对理论线损的影响权重γi分别为:

式中：i为第i种电气参数；k为与理论线损相关的电气参数个数；Ii为互信息值。

8.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法，其特征是：所述步骤三中层次分析法获得的各项电气参数权重计算方法为：

1)建立层次结构模型

选取原始特征集中影响理论线损的电气参数，根据各项电气参数的关系由大到小构成递阶层次结构，作为评价参数集；

2)建立判断矩阵P

在评价参数集中比较第i个电气参数与第j个电气参数的相对重要性，按重要性比较标度赋值为aij，进而构造出判断矩阵P，其中aji＝1/aij，aii＝1；

3)一致性校验

利用检验系数CR对判断矩阵P进行一致性检验，用于判断矩阵能否适用于层次分析，检验系数CR为：式中：CI和RI分别为判断矩阵P的一致性指标和平均随机一致性指标，CR<0.1，说明判断矩阵P满足一致性检验；

4)计算权向量

经一致性检验后，计算并获得判断矩阵P最大特征根对应的特征向量，并经过正规化处理后，得到权向量W，即为各项电气参数权重。