1.一种短期负荷预测方法，其特征在于，包括：
构建基于深度简化循环神经sru网络的短期概率负荷预测模型，所述短期概率负荷预测模型中当前时刻的隐含状态量由输入特征向量、当前时刻的遗忘门状态和上一时刻的隐含状态量确定，所述短期概率负荷预测模型中当前时刻的输出状态量由输入特征向量、当前时刻的输出门状态以及当前时刻的隐含状态量确定；
选取负荷影响因素构建输入特征向量和输出特征向量，并对输入特征向量和输出特征向量进行数据预处理，得到训练集、验证集和测试集，并提出评价指标；
针对所述短期概率负荷预测模型的网络选取对应的超参数；
利用所述短期概率负荷预测模型进行短期负荷预测，得到预测结果。
2.如权利要求1所述的方法，其特征在于，所述构建基于sru网络的短期概率负荷预测模型，包括：
基于当前时刻的输入特征向量，确定当前时刻的遗忘门状态以及当前时刻的输出门状态；
由输入特征向量、当前时刻的遗忘门状态和上一时刻的隐含状态量，确定所述短期概率负荷预测模型中当前时刻的隐含状态量；
由输入特征向量、当前时刻的输出门状态、当前时刻的隐含状态量以及上一时刻的隐含状态量，确定所述短期概率负荷预测模型中当前时刻的输出状态量。
3.如权利要求2所述的方法，其特征在于，所述短期概率负荷预测模型的计算公式表示如下：
ft＝σ(wfxt+bf)
rt＝σ(wrxt+br)
ht＝rt⊙tanh(ct)+(1-rt)⊙xt
式中：xt为t时刻的输入特征向量，ht为t时刻的输出状态量，f为遗忘门状态，r为输出门状态，w为输入权重矩阵，wf、wr和bf、br分别为对应的权重系数矩阵和偏置向量，σ和tanh分别为sigmoid激活函数和双曲正切激活函数，ct为t时刻的隐含状态量。
4.如权利要求1所述的方法，其特征在于，所述选取负荷影响因素构建输入特征向量和输出特征向量，包括：
选取多维数据构建输入特征向量，所述输入特征向量对应的维度包括历史负荷、天气因素、日期类型、时刻；
所述输出特性向量为待预测日负荷预测值。
5.如权利要求1所述的方法，其特征在于，所述对输入特征向量和输出特征向量进行数据预处理，包括：
针对异常数据，采用相邻负荷数据的均值进行填充，若出现连续异常数据，则继续向两端查找直至非空值。
6.如权利要求1所述的方法，其特征在于，所述对输入特征向量进行数据预处理，包括：
对输入特征向量进行归一化处理。
7.如权利要求1所述的方法，其特征在于，所述针对所述短期概率负荷预测模型的网络选取对应的超参数，包括：
采用贝叶斯优化算法进行对所述短期概率负荷预测模型的超参数进行寻优处理，所述超参数包括网络层数、各层神经元个数、学习率、子训练样本集；
所述寻优过程包括：
使用高斯过程假设优化函数的先验分布；
根据模型后验分布来构造效用函数，确定下一个评价点。
8.一种短期负荷的预测装置，其特征在于，包括：
构建单元，用于构建基于深度简化循环神经sru网络的短期概率负荷预测模型；
数据单元，用于选取负荷影响因素构建输入特征向量和输出特征向量，并对输入特征向量和输出特征向量进行数据预处理，得到训练集、验证集和测试集，并提出评价指标；
寻优单元，用于基于贝叶斯优化算法进行超参数寻优；
预测单元，用于利用所述短期概率负荷预测模型进行短期负荷预测，得到预测结果。
9.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现权利要求1～7任一项所述的方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现权利要求1～7任一项所述的方法。