1.一种基于重要点分割的多分段短期负荷预测方法，其特征在于，包括以下步骤：S1：采集地区历史负荷数据、历史温度数据以及历史相对湿度数据；

S2：根据月份对电力负荷进行季节性划分；

S3：使用非参数核密度拟合提取分季典型日负荷曲线；

S4：对分季典型日负荷曲线使用重要点分割进行重要点的确定；

S5：基于已确定好的分割点对待预测负荷曲线及气象因素曲线进行多分段处理；

S6：对各子分段建立基于纵横交错算法优化的鲁棒极限学习机短期负荷预测模型；

步骤S3包括以下步骤：

S3.1：基于非参数核密度理论计算某季历史负荷数据第k时间点负荷值xk_value的概率密度函数fk(xk_value)，其计算公式为：式中，h为带宽；T为某季历史负荷样本数；xik为第i日第k时间点负荷值；K为核函数；

xk_min为某季历史负荷数据第k时间点最小负荷值；xk_max为某季历史负荷数据第k时间点最大负荷值；

S3.2：核函数K采用Gaussian核函数，其计算公式为：式中K(x)满足 c为大于0的常数；

S3.3：根据步骤S3.1计算所得的各时间点的概率密度函数，并记录下fk(xk_value)取最大值时对应xk_value的值xk_index，即 并组成典型日负荷曲线指标向量xindexT

＝[xindex_1,xindex_2,…,xindex_n]；

S3.4：计算

T T

xi＝[xi1,xi2,…,xin,…,xi48]到xindex＝[xindex_1,xindex_2,…,xindex_n,…,xindex_48]的欧氏距离di，计算公式为：

S3.5：确定历史负荷样本日i的曲线权重wi，计算公式为：式中，λ为区间[0,1]内的可调参数，用以调整di对wi的影响程度；

S3.6：对样本日的日负荷曲线进行加权叠加以获得季节典型日负荷曲线，计算公式为：S3.7：季节典型日负荷时间序列还可表示为：式中，xtypical_n＝(tn,yn)表示时间序列在tn时刻的记录值为yn，yn∈R且tn‑tn‑1＝tn+1‑tn；

S3.8：计算季节典型日负荷时间序列中连续三点xtypical_n‑1、xtypical_n、xtypical_n+1两两连线所构成的三角形Δn的面积SΔn，SΔn的计算公式为：S3.9：式中Do称之为点到直线的正交距离，其计算公式为：S3.10：则形成负荷曲线趋势变化向量Sform＝[SΔ2,SΔ3,…,SΔ47]，其对应的时标向量为tform＝[2,3,…,47]，对该向量进行降序排列形成降序负荷曲线趋势变化向量Sform_descend，时标向量也进行与负荷曲线趋势变化向量相一致的元素位置更改，并记为tform_descend＝[td_2,td_3,…,td_47]；

S3.11：计算Δtd_n＝td_n+1‑td_n，n∈[2,46]，记录下令Δtd_n值大于2的td_n+1与td_n对应的时标值，并将该时标值对应的季节典型日负荷点作为重要点。

2.根据权利要求1所述的一种基于重要点分割的多分段短期负荷预测方法，其特征在于，步骤S1具体包括：

T T

(1)采集地区某季历史负荷数据，设xi＝[xi1,xi2,…,xin] 与xj＝[xj1,xj2,…,xjn]为某区域电网第i日与第j日的负荷数据，X＝(x1,x2,...,xi,…,xn)为某季共n个历史日负荷数据的集合；

T T

(2)采集地区某季历史温度数据，设yi＝[yi1,yi2,…,yin] 与yj＝[yj1,yj2,…,yjn]为某地第i日与第j日的温度数据，Y＝(y1,y2,...,yi,...,yn)为某季共n个历史日温度数据的集合；

T T

(3)采集地区某季历史相对湿度数据，设zi＝[zi1,zi2,…,zin]与zj＝[zj1,zj2,…,zjn]为某地第i日与第j日的相对湿度数据，Z＝(z1,z2,...,zi,...,zn)为某季共n个历史日相对湿度数据的集合。

3.根据权利要求1‑2任一项所述的一种基于重要点分割的多分段短期负荷预测方法，其特征在于，步骤S6包括以下步骤：S6.1：设重要点个数为k个，则按各重要点位置将对应季节历史负荷数据、历史温度数据、历史相对湿度数据分为k+1段；

S6.2：建立第一分段短期负荷预测模型；

S6.3：计算第k时间点温度与负荷的皮尔逊相关系数rk，其计算公式为：式中，Yk表示k时刻温度或相对湿度变量，Xk表示k时刻负荷变量，ymk为第m日k时刻温度或相对湿度变量，xmk为第m日k时刻负荷变量，T为变量样本个数，rk越大相关性越高，日皮尔逊相关系数向量Rp＝[r1,r2,…,rT]；

S6.4：则加权相似性系数Rij'的计算公式为：S6.5：根据步骤S6.4所示加权相似性系数判断历史日气象数据与待预测日气象数据相似性，选取加权相似性系数较大的历史日作为参考日；

S6.6：设定ORELM的隐含层个数为L，激活函数的模型为：T

式中wi＝[wi1,wi2,...,win]为隐含层第i个神经元随机生成的权值，Xj为训练集第j个输入值，yj为训练集第j个输出值，bi为隐含层i个神经元随机生成的阈值，βi为连接隐含层和输出层神经元的权重；

S6.7：步骤S6.6中N个激活函数的模型可组成个线性系统:Hβ＝y             (12)式中，

T T

β＝[β1,β2,...,βL]，y＝[y1,y2,...,yN]；

S6.8：由于H为非方阵，所以β可能无解，解决该问题的方法为寻找β的最小二乘解 根据压缩感知以及鲁棒性分析，将式中训练误差e的二范数替换为一范数，即其中e＝y‑Hβ，C为正则化参数；

S6.9：通过增广拉格朗日乘子法(augmented Lagrange multiplier,ALM)转换上述问题为约束优化问题，增广拉格朗日函数式为：式中μ＝2N/||y||1；

S6.10：该增广拉格朗日乘子法通过以下迭代方程解决了步骤S6.9中的优化问题：式中k为迭代次数；

S6.11：将步骤S6.10中解得的β值带入式 中，输入预测用历史负荷数据，即可得预测结果；

S6.12：重复步骤S6.3至步骤S6.11 k次，建立剩余k‑1个分段短期负荷预测模型。