1.一种异常用电智能检测方法，其特征在于，包括以下步骤；

获取待检测的电网用户数据；

将所述待检测的电网用户数据输入训练后的异常用电检测模型中，输出电网用户的异常用电检测结果；

所述异常用电检测模型的训练过程包括：

S1：获取模型训练样本，所述模型训练样本为带标签的电网用户数据集，所述电网用户数据集包括用电量记录时间、日用电量值、星期、用户常驻人口数和房屋占地面积；

S21：获取所述电网用户数据集中的日用电量值，将所述日用电量值以小时为单位构造一个长度为24的日用电量表征向量，对其进行标准化，得到标准化的日用电量表征向量；

S22：将相邻7天的所述标准化的日用电量表征向量在时间维度上进行拼接并输入LSTM模型，通过LSTM模型获得的隐藏层输出作为用户每日用电量行为表征向量序列，通过LSTM模型获得的最终输出作为用户用电量行为表征向量；

S3：采用聚类算法对所述用户用电量行为表征向量进行聚类，获取用户类别特征；

S4：采用嵌入模型，将离散型数据转换为对应的连续型特征向量，所述离散型数据包括所述用户类别特征、星期、用户常驻人口数和房屋占地面积；

S5：将所述用户用电量行为表征向量和所述连续型特征向量进行拼接并输入多层特征交叉网络，获得用户用电量行为的特征交叉向量；

S6：将所述用户每日用电量行为表征向量序列输入条件层级归一化网络和最大池化网络，获得用户相关行为表征向量；

S7：将所述特征交叉向量和所述用户相关行为表征向量进行拼接并输入全连接神经网络进行二分类，得到分类结果，根据所述分类结果计算模型分类损失，根据所述损失调整模型参数，迭代训练，损失函数收敛则训练结束，得到训练后的异常用电检测模型。

2.根据权利要求1所述的一种异常用电智能检测方法，其特征在于，步骤S1中，对所述电网用户数据集进行人工标注，标注1表示该用户是异常用电的用户，标注0表示该用户是正常用电的用户，得到带标签的电网用户数据集。

3.根据权利要求1所述的一种异常用电智能检测方法，其特征在于，所述步骤S3具体为：将所述用户用电量行为表征向量输入focal-means聚类算法模型，通过手肘法确定聚类中心的个数，将所述聚类中心的个数作为用户类别的分类个数，通过focal-means聚类算法的距离公式计算每个用户与聚类中心的距离，根据所述距离确定聚类中心对应的类别作为用户的类别特征；

所述focal-means聚类算法的距离计算公式为：

其中，xi表示x用户用电量行为表征向量中的第i维度，ci表示聚类中心表征向量c中的第i个维度，表示所有归属于c聚类中心的用户的家庭常驻人口平均数，初始化时为所有用户的家庭常住人口平均数，μ表示x用户的家庭常驻人口数，Aa表示x用户的房屋占地面积，表示所有归属于c聚类中心的用户的房屋占地面积平均值，初始化时为所有用户房屋占地面积的平均值。

4.根据权利要求1所述的一种异常用电智能检测方法，其特征在于，在所述步骤S4中，所述嵌入模型由两层全连接层构成，全连接神经网络的初始化权重参数满足xavier均匀分布。

5.根据权利要求1所述的一种异常用电智能检测方法，其特征在于，所述步骤S5包括：S51:将所述用户用电量行为表征向量和所述对应的连续型特征向量进行拼接，获得融合特征向量；

S52:将所述融合特征向量输入多层特征交叉网络中，获得用户用电量行为的特征交叉向量。

6.根据权利要求1或5所述的一种异常用电智能检测方法，其特征在于，所述步骤S5中，所述多层特征交叉网络中的每一层网络均采用单层特征交叉网络，所述单层特征交叉网络包括Elu激活函数，所述单层特征交叉网络的具体公式为：其中vl+1表示多层特征交叉网络中的第(l+1)层特征交叉向量，vl表示第l层特征交叉向量，v0表示融合特征向量，wl表示在第l层的权重参数，D(x)表示随机失活函数，A(x)表示Elu激活函数。

7.根据权利要求1所述的一种异常用电智能检测方法，其特征在于，所述步骤S6包括以下步骤：S61:将用户每日用电量行为表征向量序列输入条件层级归一化网络中获得相关性行为特征矩阵；

S62:将所述相关性行为特征矩阵输入卷积核为7的二维最大池化网络中获取用户相关行为表征向量。