1.一种电能计量误差估计方法，其特征在于，包括以下步骤：S1：将电能计量装置测得的计量数据进行预处理，得到计量误差序列；

S2：对计量误差序列进行小波变换分解，得到多组误差序列分量；

S3：构建鲁棒极限学习机模型，将每组误差序列分量和测得的计量数据作为输入量同时加入鲁棒极限学习机模型中作为输入量，得到每组误差序列分量的误差预测值；

S4：将得到的误差预测值相加，预测得到新一代误差值，导出误差值；

S5：将误差值进行预处理，得到新的计量误差序列，更新测得的计量数据，执行步骤S2，进行迭代更新。

2.根据权利要求1所述的一种电能计量误差估计方法，其特征在于，在所述步骤S2中，通过小波变换分解后，原计量误差序列s可表示为：s＝a1+d1+d2···+dn-1；

其中，a1为误差序列低频分量，d1、d2...dn为误差序列高频分量。

3.根据权利要求2所述的一种电能计量误差估计方法，其特征在于，在所述步骤S3中，鲁棒极限学习机模型构建过程包括以下步骤：S31：根据误差序列分量数据集D，令激活函数为g(x)以及隐含层节点个数为L(L≤T),则该单隐含层神经网络的数学表达式为：其中：wi＝[wi1,wi2,...,wir]T为节点r和节点i的输入权值向量；i＝1,2,...,L，bi为第i个隐含层节点的偏差；βi为节点i与节点j的权值；oi为预测值；

其中：

误差序列分量数据集D含有T个样本的数据集；

S32：假设鲁棒极限学习机对D中的T个样本进行近似拟合后的误差为0，则有：简洁表示为：

Hβ＝y；

其中：

β＝[β1,…,βL]T；

y＝[y1,…,yT]T；

上式中：β和y均为向量，分别表示输出权重和输出值；H为矩阵，表示隐含层的输出值；

S33：引入训练误差e，防止鲁棒极限学习机因使训练误差最小而导致过度拟合，使得预测精度下降；相比0-范数和2-范数，1-范数能够更好的反映出稀疏特性，并且能够将问题转化为求解凸函数的全局最小值，则问题转化为求解凸函数的全局最小值，有：利用增广拉格朗日算子求解，如下式所示：n

式中：λ∈R为拉格朗日算子组成的矩阵；μ为惩罚因子，取μ＝2T/||y||1；增广拉格朗日算法通过逐渐迭代减少函数值来求解最优的(e,β,λ)，给定第k次迭代时有(λk,μ)，则增广拉格朗日算计算如下式所示：采用方向交叉法计算(e,β)：

T -1 T

βk+1＝(HH+2/CμI) H(y-ek+λk/μ)；

其中，U＝y-Hβk+1+πk/μ为辅助参数。

S34：通过引入训练误差e，利用误差反馈来自适应更新输出层权重β，完成鲁棒极限学习机模型的构建。