CN109767043A - 一种电力负荷时间序列大数据智能建模与预测方法 - Google Patents

Abstract

本发明公开了一种电力负荷时间序列大数据智能建模与预测方法，对电力负荷时间序列历史数据进行小波分解，将电力负荷时间序列历史数据分解为电力负荷高频时间序列历史数据和低频时间序列历史数据，然后对所有时间序列进行集成化处理，对时间序列进行聚类，对每种聚类类别的时间序列基于Elman神经网络建立负荷预测模型，最后对预测的分解后的电力负荷进行重构，完成对电力负荷时间序列的智能建模，从而实现对不同特征的电力负荷进行高效、智能预测。

Description

一种电力负荷时间序列大数据智能建模与预测方法

技术领域

本发明属于电力系统领域，具体涉及一种电力负荷时间序列大数据智能建模与预测方法。

背景技术

电力系统在人们生活中发挥中重要的作用，近年来，电力系统如何规划，对电力系统负荷如何调度，来确保人们获得安全、经济、优质的电能受到越来越多的关注。电力负荷大小作为衡量电力系统性能的重要指标之一，对电力负荷进行预测能为优化电力系统提供选择方案，为电力系统进行优质管理起到有效的作用。

传统对电力负荷时间序列进行预测的主要方法是先将非平稳时间序列转换成平稳时间序列，然后使用ARMA模型、TAR模型和ARIMA模型等模型对平稳时间序列进行预测。传统方法建立预测模型较为简单，对电力负荷时间序列的平稳性要求较高，且对非平稳时间序列进行处理时未能寻求关键特征，电力负荷的预测精度和准确度不高。

发明内容

针对上述技术问题，本发明提供一种电力负荷时间序列大数据智能建模与预测方法，实现对不同特征的电力负荷进行高效、智能、精确预测。

为实现上述技术目的，本发明采用如下技术方案：

一种电力负荷时间序列大数据智能建模与预测方法，包括以下步骤：

步骤1，获取历史时间段内的电力负荷值，组成电力负荷时间序列历史数据；

步骤2，对电力负荷时间序列历史数据进行n层小波分解，得到n层电力负荷高频时间序列历史数据和1层电力负荷低频时间序列历史数据；

步骤3，按照时间窗，将n层高频时间序列历史数据和1层低频时间序列历史数据分别截断得到n*Q个高频时间序列分量{x_h,i}和Q个低频时间序列分量{x_l,i}，其中时间窗长度为L1；

其中，x_h,i表示第i个高频时间序列分量，x_l,i表示第i个低频时间序列分量；

步骤4，按照时间子窗，将所有的高频时间序列分量x_h,i和低频时间序列分量x_l,i都分为L1/L2个时间子窗，对每个时间子窗内的电力负荷值进行集成化，得到维度均为L1/L2的高频时间序列集成分量{x'_h,i}和低频时间序列集成分量{x'_l,i}；其中，时间子窗长度为L2，L1为L2的整数倍；

步骤5，设聚类簇数为k，设置相似性度量函数，分别对高频时间序列集成分量{x'_h,i}和低频时间序列集成分量{x'_l,i}进行标准化处理，然后按相似性度量函数进行层次聚类，得到k个高频时间序列聚类类别和相应的k个高频聚类中心，以及k个低频时间序列聚类类别和k个低频聚类中心；

步骤6，分别针对2*k个聚类类别，构建各负荷预测模型的训练样本；

针对每个聚类类别，将其中m个元素作为与聚类类别对应的负荷预测模型的训练样本Y＝{y_j,j＝1,2,…,m}；其中，y_j＝[x_j,1,x_j,2,…x_j,l,…,x_j,L1/L2]表示训练样本Y中的第j组训练向量，x_j,l表示第j组训练向量中的第l个电力负荷集成值，所述元素是指聚类类别下的高频时间序列集成分量或低频时间序列集成分量；

步骤7，分别对2*k个聚类类别，建立2*k个负荷预测模型；

对每个聚类类别建立对应的负荷预测模型的过程如下：

步骤7.1，设局部变量l＝1；

步骤7.2，对于每个负荷预测模型，将对应聚类类别的负荷预测模型训练样本Y＝{y_j,j＝1,2,…,m}中的每个训练向量y_j内的x_j,l,x_j,l+1,x_j,l+2,x_j,l+3,x_j,l+4为输入、x_j,l+5为输出，训练Elman神经网络，判断l＝L1/L2-5是否成立：若成立则进入步骤7.3，否则l＝l+1，重复步骤7.2；

步骤7.3，针对2*k个聚类类别，每个聚类类别利用各自的训练样本训练Elman神经网络，分别得到与聚类类别对应的2*k个负荷预测模型；

步骤8，使用步骤7.3得到的负荷预测模型对目标时间T的电力负荷进行实时预测，包括以下步骤：

步骤8.1，实时采集当前时刻及近期的电力负荷值，组成电力负荷时间序列实时数据；

步骤8.2，利用步骤2中的小波分解方法，将电力负荷时间序列实时数据分解为n层电力负荷高频时间序列实时数据和1层电力负荷低频时间序列实时数据；

步骤8.3，利用步骤4中的方法，按照时间子窗，将n层电力负荷高频时间序列实时数据和1层电力负荷低频时间序列实时数据进行集成化，得到n层高频时间序列集成分量和1层低频时间序列集成分量；

步骤8.4，利用步骤5设置的相似性度量函数，分别计算n层高频时间序列集成分量与k个高频聚类中心中同时间子窗的部分序列之间的相似性、1层低频时间序列集成分量与k个低频聚类中心中同时间子窗的部分序列之间的相似性，为n个高频时间序列集成分量和1个低频时间序列集成分量分别找到聚类类别，将n个高频时间序列集成分量以及1个低频时间序列集成分量中与目标时间T最近的各自5个电力负荷集成值进行标准化处理，并分别输入到与聚类类别对应的负荷预测模型中，得到n个高频时间序列集成分量以及1个低频时间序列集成分量中各自的下一时刻的电力负荷标准化值，并分别进行反标准化后插入到n个高频时间序列集成分量以及1个低频时间序列集成分量的首位，更新n个高频时间序列集成分量以及1个低频时间序列集成分量；

步骤8.5，判断n个高频时间序列集成分量以及1个低频时间序列集成分量的首位数据所在时刻是否超过目标时间T，若是，进入步骤8.6，否则，返回步骤8.4；

步骤8.6，采用小波重构方法，将n个高频时间序列集成分量以及1个低频时间序列集成分量进行重构，得到电力负荷时间序列预测向量。

进一步地，将小波分解层次n的临界分解层数设为N，聚类簇数k的临界聚类簇数设为K，且首次进行步骤2小波分解的小波分解层次n设为初始值n₀，首次进行步骤5聚类簇数k设置的初始值为k₀，

在步骤6还根据各个聚类类别下的元素构建参数寻优样本：针对每个聚类类别，将各个聚类类别下除去相应的训练样本所剩余的p个元素，作为与聚类类别对应的负荷预测模型的参数调优样本R＝{r_e,e＝1,2,…,p}；其中，r_e＝[r_e,1,r_e,2,…,r_e,l,…,r_e,L1/L2]表示参数调优样本R中的第e组调优向量，r_e,l表示第e组调优向量中的第l个电力负荷值；

在步骤7后还包括：步骤C，寻优小波分解层次n和聚类簇数k，得到最优小波分解层次n_best和最优聚类簇数k_best，具体为：

步骤C1，定义局部变量l＝1，进入步骤C2；

步骤C2，依次将每个聚类类别的参数调优样本R＝{r_e,e＝1,2,…,p}中的每个调优向量内的r_e,l,r_e,l+1,r_e,l+2,r_e,l+3,r_e,l+4，分别输入到对应聚类类别的负荷预测模型中，判断l＝L1/L2-5是否成立，若成立，则进入步骤C3，否则，l＝l+1，重复步骤C2；

步骤C3，依据调优向量所属的时间窗，将所有聚类类别的负荷预测模型的输出值组成所属时间窗的长度为l＝L1/L2-5的n个高频时间序列预测标准化分量和1个低频时间序列预测标准化分量，分别进行反标准化处理，得到n个高频时间序列预测分量x_h,j”和1个低频时间序列预测分量x_l”，利用小波重构公式得到电力负荷时间序列预测向量；

步骤C4，利用步骤4中的方法，按照时间子窗，将电力负荷时间序列历史数据进行集成化，得到电力负荷时间序列历史数据集成序列，计算所有的电力负荷时间序列预测向量与电力负荷时间序列历史数据集成序列中对应时间子窗组成的电力负荷时间序列向量之间的均方误差之和，判断均方误差之和是否小于设定误差极限值，若是，则将当前小波分解层次作为最优小波分解层次，将当前聚类簇数作为最优聚类簇数，并得到对应聚类类别的最优聚类中心，建模完成，否则，进入步骤C5；

步骤C5，判断小波分解层次n达到临界分解层数N且聚类簇数k达到临界聚类簇数K是否同时成立，若是，则将历次执行步骤C4所计算的均方误差之和中的最小值所对应的小波分解层次和聚类簇数，分别作为最优小波分解层次和最优聚类簇数，并得到对应聚类类别的最优聚类中心，建模完成，否则，进入步骤C6；

步骤C6，判断聚类簇数k是否达到临界聚类簇数K，若是，令k＝k₀，n＝n+1，然后返回步骤2，否则，令k＝k+1，然后返回步骤2。

进一步地，所述步骤4中对每个时间子窗内的电力负荷值进行集成化的具体过程为：

步骤A1，定义局部变量x'₀＝0；

步骤A2，针对每个时间子窗，分别计算电力负荷集成值x'_l：其中，w_l为第l个时间子窗内的所有电力负荷值，max(w_l)为第l个时间子窗内最大的电力负荷值，min(w_l)为第l个时间子窗内最小的电力负荷值，α为集成化控制参数；

步骤A3，将x'₁,x'₂,…,x'_L1/L2共L1/L2个时间子窗对应的电力负荷集成值按时间次序组成与高频时间序列分量{x_h,i,i＝1,2,3,…,n*Q}对应的高频时间序列集成分量{x'_h,i,i＝1,2,3,…,n*Q}或与低频时间序列分量{x_l,i,i＝1,2,3,…,Q}对应的低频时间序列集成分量{x'_l,i,i＝1,2,3,…,Q}。

进一步地，进行小波分解所采用的小波函数为Haar小波函数、dbn小波函数、Mexican Hat小波函数或Meyer小波函数。

进一步地，所述标准化处理的方法包括min-max标准化方法或Z-score标准化方法。

进一步地，所述相似性度量函数选取欧氏距离、马氏距离或明氏距离。

进一步地，聚类中心的获得方法为：分别针对每个聚类类别，将聚类类别内的所有的电力负荷时间序列的平均值作为该聚类类别的聚类中心。

进一步地，L1取值为24小时，L2取值为30分钟。

进一步地，所述步骤8.1中的电力负荷时间序列的时间跨度不小于5*L2，所述目标时间T与步骤8.1中的开始实施预测的当前时刻的时间差小于L1。

有益效果

本发明提供了一种电力负荷时间序列大数据智能建模与预测方法，对电力负荷时间序列历史数据进行小波分解，将电力负荷时间序列历史数据分解为电力负荷高频时间序列历史数据和低频时间序列历史数据，然后对所有时间序列进行集成化处理，对时间序列进行聚类，对每种聚类类别的时间序列基于Elman神经网络建立负荷预测模型，最后对预测的分解后的电力负荷进行重构，完成对电力负荷时间序列的智能建模，从而实现对不同特征的电力负荷进行高效、智能预测。采用小波分解和聚类方法，可以将非平稳的电力负荷时间序列按不同频率进行分类，从而可采用Elman神经网络建立的负荷预测模型对电力负荷时间序列这种非平稳的序列进行准确预测。

同时，在进行小波分解时设置分解层次初始值，在对时间序列进行聚类时设置初始聚类簇数，以建立初始的负荷预测模型；然后利用电力负荷时间序列历史数据构建的参数调优样本寻找最优小波分解层次和最优聚类簇数，使负荷预测模型输出的预测向量在预设误差范围之内，实现负荷预测模型对不同特征的电力负荷进行精确预测。

附图说明

图1为本发明所述的方法流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

如图1所示，一种电力负荷时间序列大数据智能建模与预测方法，包括以下步骤：

步骤1，获取历史时间段内的电力负荷值，组成电力负荷时间序列历史数据；

所述电力负荷时间序列历史数据包括有功功率时间序列历史数据、无功功率时间序列历史数据；其采样时间间隔设为Δt，数据时间跨度至少为2个月。

步骤2，对电力负荷时间序列历史数据进行n层小波分解，设置小波函数，设小波分解层次为n，初始值n＝n₀，得到n层电力负荷高频时间序列历史数据和1层电力负荷低频时间序列历史数据；

其中，进行小波分解所采用的小波函数为Haar小波函数、dbn小波函数、MexicanHat小波函数和Meyer小波函数中的一种。

步骤3，设置时间窗长度L1为24小时，以每天时间凌晨零点为时间起点，将n层高频时间序列历史数据和1层低频时间序列历史数据按时间窗分别截断，得到n*Q个高频时间序列分量{x_h,i,i＝1,2,3,…,n*Q}和Q个低频时间序列分量{x_l,i,i＝1,2,3,…,Q}；其中x_h,i表示第i个高频时间序列分量，x_l,i表示第i个低频时间序列分量；

步骤4，设置时间子窗长度L2为30分钟，将所有的高频时间序列分量x_h,i和低频时间序列分量x_l,i都分为48个时间子窗，对每个时间子窗内的电力负荷值进行集成化，得到维度均为48的高频时间序列集成分量{x'_h,i,i＝1,2,3,…,n*Q}和低频时间序列集成分量{x'_l,i,i＝1,2,3,…,Q}；

其中，对每个时间子窗内的电力负荷值进行集成化的具体过程为：

步骤A1，定义局部变量x'₀＝0；

步骤A2，针对每个时间子窗，分别计算电力负荷集成值x'_l：其中，w_l为第l个时间子窗内的所有电力负荷值，max(w_l)为第l个时间子窗内最大的电力负荷值，min(w_l)为第l个时间子窗内最小的电力负荷值，α为集成化控制参数；

步骤A3，将x'₁,x'₂,…,x'₄₈共48个时间子窗对应的电力负荷集成值按时间次序组成与高频时间序列分量{x_h,i,i＝1,2,3,…,n*Q}对应的高频时间序列集成分量{x'_h,i,i＝1,2,3,…,n*Q}或与低频时间序列分量{x_l,i,i＝1,2,3,…,Q}对应的低频时间序列集成分量{x'_l,i,i＝1,2,3,…,Q}。

步骤5，设聚类簇数为k，设置相似性度量函数，分别对高频时间序列集成分量{x'_h,i,i＝1,2,3,…,n*Q}和低频时间序列集成分量{x'_l,i,i＝1,2,3,…,Q}进行标准化处理，然后进行层次聚类，得到k个高频时间序列聚类类别和相应的k个高频聚类中心，以及k个低频时间序列聚类类别和k个低频聚类中心；

其中，相似性度量函数优先选取欧氏距离、马氏距离或明氏距离；标准化处理的方法为min-max标准化方法或Z-score标准化方法；每个聚类中心的获得方法为：分别针对每个聚类类别，将聚类类别内所有的电力负荷时间序列的平均值作为对应聚类类别的聚类中心。

步骤6，分别针对2*k个聚类类别，构建各负荷预测模型的训练样本和参数寻优样本；

针对每个聚类类别，将其中m个元素作为与聚类类别对应的负荷预测模型的训练样本Y＝{y_j,j＝1,2,…,m}；其中，y_j＝[x_j,1,x_j,2,…x_j,l,…,x_j,48]表示训练样本Y中的第j组长度为48的训练向量，x_j,l表示第j组训练向量中的第l个电力负荷集成值，所述元素是指聚类类别下的高频时间序列集成分量或低频时间序列集成分量；

针对每个聚类类别，将各个聚类类别下除去相应的训练样本所剩余的p个元素，作为与聚类类别对应的负荷预测模型的参数调优样本R＝{r_e,e＝1,2,…,p}；其中，r_e＝[r_e,1,r_e,2,…,r_e,l,…,r_e,48]表示参数调优样本R中的第e组长度为48的调优向量，r_e,l表示第e组调优向量中的第l个电力负荷集成值。

步骤7，分别对2*k个聚类类别，建立2*k个负荷预测模型；

对每个聚类类别建立对应的负荷预测模型的过程包括：

步骤7.1，设局部变量l＝1，进入步骤7.2；

步骤7.2，对于每个负荷预测模型，将对应聚类类别的负荷预测模型训练样本Y＝{y_j,j＝1,2,…,m}中的每个训练向量y_j内的x_j,l,x_j,l+1,x_j,l+2,x_j,l+3,x_j,l+4为输入、x_j,l+5为输出，训练Elman神经网络，判断l＝L1/L2-5＝43是否成立：若成立则进入步骤7.3，否则l＝l+1，重复步骤7.2；

步骤7.3，针对2*k个聚类类别，每个聚类类别利用各自的训练样本训练Elman神经网络，分别得到与聚类类别对应的2*k个负荷预测模型；

为获得最优的负荷预测模型，实现对不同特征电力负荷进行精确预测，本发明还包括步骤C，寻优小波分解层次n和聚类簇数k，得到最优小波分解层次n_best和最优聚类簇数k_best，具体过程为：

步骤C1，定义局部变量l＝1，进入步骤C2；

步骤C2，依次将每个聚类类别的参数调优样本R＝{r_e,e＝1,2,…,p}中的每个调优向量内的r_e,l,r_e,l+1,r_e,l+2,r_e,l+3,r_e,l+4，分别输入到对应聚类类别的负荷预测模型中，判断l＝L1/L2-5＝43

是否成立：若成立则进入步骤C3，否则l＝l+1，重复步骤C2；

步骤C3，依据调优向量所属的时间窗，将所有聚类类别的负荷预测模型的输出值组成所属时间窗的长度为l＝L1/L2-5＝43的n个高频时间序列预测标准化分量和1个低频时间序列预测标准化分量，并分别进行反标准化处理，得到n个高频时间序列预测分量x_h,j”和1个低频时间序列预测分量x_l”，再利用小波重构公式得到电力负荷时间序列预测向量；

步骤C4，利用步骤4中的方法，按照长度为L2为30分钟的时间子窗，将电力负荷时间序列历史数据进行集成化，得到电力负荷时间序列历史数据集成序列，计算所有的电力负荷时间序列预测向量与电力负荷时间序列历史数据集成序列中对应时间子窗组成的电力负荷时间序列向量之间的均方误差之和，判断均方误差之和是否小于设定误差极限值，若是，则将当前小波分解层次n作为最优小波分解层次n_best，将当前聚类簇数k作为最优聚类簇数k_best，并得到k_best个聚类中心，建模完成，否则，进入步骤C5；

步骤C5，判断小波分解层次n达到临界分解层数N且聚类簇数k达到临界聚类簇数K是否同时成立，若是，则将历次执行步骤C4所计算的均方误差之和中的最小值所对应的小波分解层次n和聚类簇数k作为最优小波分解层次n_best和最优聚类簇数k_best，并得到k_best个聚类中心，建模完成，否则，进入步骤C6；

步骤C6，判断聚类簇数k是否达到临界聚类簇数K，若是，令k＝k₀，n＝n+1，然后返回步骤2，否则，令k＝k+1，然后返回步骤2。

步骤8，使用步骤7.3得到的负荷预测模型对目标时间T的电力负荷进行实时预测，包括以下步骤：

步骤8.1，实时采集当前时刻及近期的电力负荷值，组成时间跨度至少为2.5个小时的电力负荷时间序列实时数据；其中，目标时间T与实施预测的起始时刻的时间差小于24个小时；

步骤8.2，利用步骤2中的小波分解方法，将电力负荷时间序列分解为n_best层电力负荷高频时间序列实时数据和1层电力负荷低频时间序列实时数据；

步骤8.3，利用步骤4中的方法，以30分钟为一个时间子窗，将n_best层电力负荷高频时间序列实时数据和1层电力负荷低频时间序列实时数据进行集成化，得到n_best层高频时间序列集成分量和1层低频时间序列集成分量；

步骤8.4，利用步骤5设置的相似性度量函数，分别计算n_best层高频时间序列集成分量与k_best个高频聚类中心中同时间子窗的部分序列之间的相似性、1层低频时间序列集成分量与k_best个低频聚类中心中同时间子窗的部分序列之间的相似性，为n个高频时间序列集成分量和1个低频时间序列集成分量分别找到聚类类别，将n_best个高频时间序列集成分量以及1个低频时间序列集成分量中与目标时间T最近的各自5个电力负荷集成值进行标准化处理，并分别输入到与聚类类别对应的负荷预测模型中，得到n_best个高频时间序列集成分量以及1个低频时间序列集成分量中各自的下一时刻的电力负荷标准化值，并分别进行反标准化后插入到n_best个高频时间序列集成分量以及1个低频时间序列集成分量的首位，更新n_best个高频时间序列集成分量以及1个低频时间序列集成分量；

步骤8.5，判断n_best个高频时间序列集成分量以及1个低频时间序列集成分量的首位数据所在时刻是否超过目标时间T，若是，进入步骤8.6，否则，返回步骤8.4；

步骤8.6，采用小波重构方法，将n_best个高频时间序列集成分量以及1个低频时间序列集成分量进行重构，得到电力负荷时间序列预测向量。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (9)

1.一种电力负荷时间序列大数据智能建模与预测方法，其特征在于，包括以下步骤：

步骤1，获取历史时间段内的电力负荷值，组成电力负荷时间序列历史数据；

步骤2，对电力负荷时间序列历史数据进行n层小波分解，得到n层电力负荷高频时间序列历史数据和1层电力负荷低频时间序列历史数据；

步骤3，按照时间窗，将n层高频时间序列历史数据和1层低频时间序列历史数据分别截断得到n*Q个高频时间序列分量{x_h,i}和Q个低频时间序列分量{x_l,i}，其中时间窗长度为L1；

其中，x_h,i表示第i个高频时间序列分量，x_l,i表示第i个低频时间序列分量；

步骤4，按照时间子窗，将所有的高频时间序列分量x_h,i和低频时间序列分量x_l,i都分为L1/L2个时间子窗，对每个时间子窗内的电力负荷值进行集成化，得到维度均为L1/L2的高频时间序列集成分量{x'_h,i}和低频时间序列集成分量{x'_l,i}；其中，时间子窗长度为L2，L1为L2的整数倍；

步骤5，设聚类簇数为k，设置相似性度量函数，分别对高频时间序列集成分量{x'_h,i}和低频时间序列集成分量{x'_l,i}进行标准化处理，然后按相似性度量函数进行层次聚类，得到k个高频时间序列聚类类别和相应的k个高频聚类中心，以及k个低频时间序列聚类类别和k个低频聚类中心；

步骤6，分别针对2*k个聚类类别，构建各负荷预测模型的训练样本；

针对每个聚类类别，将其中m个元素作为与聚类类别对应的负荷预测模型的训练样本Y＝{y_j,j＝1,2,…,m}；其中，y_j＝[x_j,1,x_j,2,…x_j,l,…,x_j,L1/L2]表示训练样本Y中的第j组训练向量，x_j,l表示第j组训练向量中的第l个电力负荷集成值，所述元素是指聚类类别下的高频时间序列集成分量或低频时间序列集成分量；

步骤7，分别对2*k个聚类类别，建立2*k个负荷预测模型；

对每个聚类类别建立对应的负荷预测模型的过程如下：

步骤7.1，设局部变量l＝1；

步骤7.2，对于每个负荷预测模型，将对应聚类类别的负荷预测模型训练样本Y＝{y_j,j＝1,2,…,m}中的每个训练向量y_j内的x_j,l,x_j,l+1,x_j,l+2,x_j,l+3,x_j,l+4为输入、x_j,l+5为输出，训练Elman神经网络，判断l＝L1/L2-5是否成立：若成立则进入步骤7.3，否则l＝l+1，重复步骤7.2；

步骤7.3，针对2*k个聚类类别，每个聚类类别利用各自的训练样本训练Elman神经网络，分别得到与聚类类别对应的2*k个负荷预测模型；

步骤8，使用步骤7.3得到的负荷预测模型对目标时间T的电力负荷进行实时预测，包括以下步骤：

步骤8.1，实时采集当前时刻及近期的电力负荷值，组成电力负荷时间序列实时数据；

步骤8.2，利用步骤2中的小波分解方法，将电力负荷时间序列实时数据分解为n层电力负荷高频时间序列实时数据和1层电力负荷低频时间序列实时数据；

步骤8.3，利用步骤4中的方法，按照时间子窗，将n层电力负荷高频时间序列实时数据和1层电力负荷低频时间序列实时数据进行集成化，得到n层高频时间序列集成分量和1层低频时间序列集成分量；

步骤8.4，利用步骤5设置的相似性度量函数，分别计算n层高频时间序列集成分量与k个高频聚类中心中同时间子窗的部分序列之间的相似性、1层低频时间序列集成分量与k个低频聚类中心中同时间子窗的部分序列之间的相似性，为n个高频时间序列集成分量和1个低频时间序列集成分量分别找到聚类类别，将n个高频时间序列集成分量以及1个低频时间序列集成分量中与目标时间T最近的各自5个电力负荷集成值进行标准化处理，并分别输入到与聚类类别对应的负荷预测模型中，得到n个高频时间序列集成分量以及1个低频时间序列集成分量中各自的下一时刻的电力负荷标准化值，并分别进行反标准化后插入到n个高频时间序列集成分量以及1个低频时间序列集成分量的首位，更新n个高频时间序列集成分量以及1个低频时间序列集成分量；

步骤8.5，判断n个高频时间序列集成分量以及1个低频时间序列集成分量的首位数据所在时刻是否超过目标时间T，若是，进入步骤8.6，否则，返回步骤8.4；

步骤8.6，采用小波重构方法，将n个高频时间序列集成分量以及1个低频时间序列集成分量进行重构，得到电力负荷时间序列预测向量。

2.根据权利要求1所述的方法，其特征在于，将小波分解层次n的临界分解层数设为N，聚类簇数k的临界聚类簇数设为K，且首次进行步骤2小波分解的小波分解层次n设为初始值n₀，首次进行步骤5聚类簇数k设置的初始值为k₀，

在步骤6还根据各个聚类类别下的元素构建参数寻优样本：针对每个聚类类别，将各个聚类类别下除去相应的训练样本所剩余的p个元素，作为与聚类类别对应的负荷预测模型的参数调优样本R＝{r_e,e＝1,2,…,p}；其中，r_e＝[r_e,1,r_e,2,…,r_e,l,…,r_e,L1/L2]表示参数调优样本R中的第e组调优向量，r_e,l表示第e组调优向量中的第l个电力负荷值；

在步骤7后还包括：步骤C，寻优小波分解层次n和聚类簇数k，得到最优小波分解层次n_best和最优聚类簇数k_best，具体为：

步骤C1，定义局部变量l＝1，进入步骤C2；

步骤C2，依次将每个聚类类别的参数调优样本R＝{r_e,e＝1,2,…,p}中的每个调优向量内的r_e,l,r_e,l+1,r_e,l+2,r_e,l+3,r_e,l+4，分别输入到对应聚类类别的负荷预测模型中，判断l＝L1/L2-5是否成立，若成立，则进入步骤C3，否则，l＝l+1，重复步骤C2；

步骤C3，依据调优向量所属的时间窗，将所有聚类类别的负荷预测模型的输出值组成所属时间窗的长度为l＝L1/L2-5的n个高频时间序列预测标准化分量和1个低频时间序列预测标准化分量，分别进行反标准化处理，得到n个高频时间序列预测分量x_h,j”和1个低频时间序列预测分量x_l”，利用小波重构公式得到电力负荷时间序列预测向量；

步骤C4，利用步骤4中的方法，按照时间子窗，将电力负荷时间序列历史数据进行集成化，得到电力负荷时间序列历史数据集成序列，计算所有的电力负荷时间序列预测向量与电力负荷时间序列历史数据集成序列中对应时间子窗组成的电力负荷时间序列向量之间的均方误差之和，判断均方误差之和是否小于设定误差极限值，若是，则将当前小波分解层次作为最优小波分解层次，将当前聚类簇数作为最优聚类簇数，并得到对应聚类类别的最优聚类中心，建模完成，否则，进入步骤C5；

步骤C5，判断小波分解层次n达到临界分解层数N且聚类簇数k达到临界聚类簇数K是否同时成立，若是，则将历次执行步骤C4所计算的均方误差之和中的最小值所对应的小波分解层次和聚类簇数，分别作为最优小波分解层次和最优聚类簇数，并得到对应聚类类别的最优聚类中心，建模完成，否则，进入步骤C6；

步骤C6，判断聚类簇数k是否达到临界聚类簇数K，若是，令k＝k₀，n＝n+1，然后返回步骤2，否则，令k＝k+1，然后返回步骤2。

3.根据权利要求1所述的方法，其特征在于，所述步骤4中对每个时间子窗内的电力负荷值进行集成化的具体过程为：

步骤A1，定义局部变量x'₀＝0；

步骤A2，针对每个时间子窗，分别计算电力负荷集成值x'_l：其中，w_l为第l个时间子窗内的所有电力负荷值，max(w_l)为第l个时间子窗内最大的电力负荷值，min(w_l)为第l个时间子窗内最小的电力负荷值，α为集成化控制参数；

步骤A3，将x'₁,x'₂,…,x'_L1/L2共L1/L2个时间子窗对应的电力负荷集成值按时间次序组成与高频时间序列分量{x_h,i,i＝1,2,3,…,n*Q}对应的高频时间序列集成分量{x'_h,i,i＝1,2,3,…,n*Q}或与低频时间序列分量{x_l,i,i＝1,2,3,…,Q}对应的低频时间序列集成分量{x'_l,i,i＝1,2,3,…,Q}。

4.根据权利要求1所述的方法，其特征在于，进行小波分解所采用的小波函数为Haar小波函数、dbn小波函数、Mexican Hat小波函数或Meyer小波函数。

5.根据权利要求1所述的方法，其特征在于，所述标准化处理的方法包括min-max标准化方法或Z-score标准化方法。

6.根据权利要求1所述的方法，其特征在于，所述相似性度量函数选取欧氏距离、马氏距离或明氏距离。

7.根据权利要求1所述的方法，其特征在于，聚类中心的获得方法为：分别针对每个聚类类别，将聚类类别内的所有的电力负荷时间序列的平均值作为该聚类类别的聚类中心。

8.根据权利要求1所述的方法，其特征在于，L1取值为24小时，L2取值为30分钟。

9.根据权利要求1所述的方法，其特征在于，所述步骤8.1中的电力负荷时间序列的时间跨度不小于5*L2，所述目标时间T与步骤8.1中的开始实施预测的当前时刻的时间差小于L1。