1.一种基于代表数据重构的增量SVR负荷预测方法，其特征在于，包括：S1，使用相空间重构分析历史电力负荷数据，得到电力负荷数据的嵌入维和时延，得到多输入‑单输出模式数据；

S2，利用最优训练子集方法和粒子群方法，使用支持向量回归对历史电力负荷数据建模，得到电力负荷代表数据和支持向量回归的模型参数，根据该代表数据和支持向量回归的模型参数获取此时的电力负荷预测结果；

所述S2包括：

初始电力负荷代表数据集由如下公式选取：* *

其中，RDS为初始电力负荷代表数据集，A为初始获取的电力负荷数据，y为x 相应的电* *

力负荷数据输出值，RDS＝RDS∪{(x ,y)}直到RDS中的元素达到设定尺寸k，i为集合A中元素下标，j为集合RDS中元素下标，i＝1,...,|A|,j＝1,...,|RDS|,其中|A|为集合A中元素个数，|RDS|为集合RDS中元素个数；

初始电力负荷代表数据集的最优尺寸k由以下近似凸框架确定：其中，n为A中元素个数，MAPE(k,A)为基于尺寸k的RDS下支持向量回归的平均绝对百分+

比误差，λ为模型复杂性与预测精度间的平衡系数，其中，N表示正整数；

所述S2还包括：

S2‑1：以最近时间点电力负荷数据为初始点，用初始电力负荷代表数据集选取方法确定三个不同尺寸k1,k2,k3的电力负荷代表数据集；

S2‑2：针对S2‑1的三个电力负荷代表数据集，用粒子群方法训练SVR，得到三个SVR方法的参数，进行非线性预测；

S2‑3：针对给定的近似凸框架，采用0.618法更新k1,k2,k3，如果max(k1,k2,k3)‑min(k1,k2,k3)≤3，得到最优SVR及电力负荷代表数据集，终止；如果max(k1,k2,k3)‑min(k1,k2,k3)＞

3，回到并执行S2‑1；

S3，获取新的电力负荷数据，根据该多输入‑单输出模式数据，采用代表数据重构方法更新该代表数据；直至更新完毕；

所述S3中代表数据重构方法包括：利用代表数据重构方法更新代表数据，更新后的电力负荷代表数据子集为AV∪BV∪Nm

其中，AV为原始数据A的电力负荷代表数据集，BV为基于已有SVR模型和新数据B得到的电力负荷代表数据集：

BV＝{(xi,yi)|(xi,yi)∈B,|yi‑pi|＞σ}其中，pi为已有SVR模型对输入数据xi的预测值，σ为已有SVR模型预测新增数据集的误差标准方差，Nm为AV∪BV中每个点的m个最近邻数据的并集；

基于更新后的电力负荷代表数据子集AV∪BV∪Nm，使用嵌套粒子群方法更新模型参数，对电力负荷代表数据子集AV∪BV∪Nm生成的第i个初始粒子p2(i)为：p2(i)＝p1(i)+λi×[pbest_1‑p1(i)]其中，p1(i)为上一个参数空间中生成的随机粒子，pbest_1为前期数据AV的最优参数设置，[pbest_1‑p1(i)]为对上一次最优参数的全局收缩因子，λi为服从U(0,1)分布的随机收缩权重；

建立支持向量回归模型，得到更新后的电力负荷代表数据和SVR的模型参数，得到此时的电力负荷预测结果。

2.根据权利要求1所述的基于代表数据重构的增量SVR负荷预测方法，其特征在于，还包括：每次获取新电力负荷数据，重复执行S3来更新电力负荷代表数据子集和SVR参数，不断迭代更新电力负荷数据。