1.一种基于云计算的电力负荷预测方法，其特征在于：具体包括以下步骤：S1：选取电力负荷数据；

S2：使用正交最小二乘法OLS求取径向基函数的中心向量，同时设置阈值检测径向基函数的中心向量，若不满足阈值则调整隐含层神经元数重新计算；

S3：在云计算环境中使用k‑means算法，结合MapReduce架构来调整径向基函数的中心向量并计算扩展参数，使用等式测算扩展参数，满足则进行下一步，不满足则重新选取输入数据；

S4：计算权值并运行RBF神经网络；

S5：输出电力负荷数据预测值。

2.根据权利要求1所述的一种基于云计算的电力负荷预测方法，其特征在于：所述S2的具体计算步骤如下：S2.1：将实际的电力负荷数据作为样本数T，设At为输入向量，Bt为期望向量，两者都为维数相同的向量，et为输入向量与输入向量的绝对误差，t的取值范围为1,2,…T，可得公式：S2.2：将RBF神经网络的隐含层神经元数量设为H，初始情况下一般为1，wh为权重矩阵，Oh(t)为回归算子，h的取值范围为1，2，…H，可得Bt的计算公式：S2.3：将式(2)表示为矩阵：

B＝OWH+e           (3)S2.4：使用正交三角QR分解方法，将O表示为矩阵Q和上三角矩阵R，具体公式如下：B＝QRWH+e        (4)

S2.5：将RW表示为qh，根据正交最小二乘法，得最小二乘解，公式如下：S2.6：选用施密特正交化方法进行计算来减少误差，确定值sh，具体公式如下：S2.7：设置阈值z，选取满足公式(7)的输入向量作为中心向量ck，k的取值为小于T的整数：若没有满足条件的中心向量ck，则调整Bt和H后重新计算。

3.根据权利要求1所述的一种基于云计算的电力负荷预测方法，其特征在于：所述S3的具体计算步骤如下：S3.1：将电力负荷数据样本集合和OLS确认的中心向量ck输入，表示为ck(n)，n代表迭代次数；

S3.2：计算欧式距离D，At(n)表示在由At中随机抽取的数据代表的第n次迭代的输入数据，如输入向量与某一中心向量的D值最小，则将这一输入向量归入到这一聚类点集合Jk中，具体公式如下：D＝arg||At(n)‑ck(n)||        (8)S3.3：获取新的聚类中心ck(n)'， 表示集合Jk中子集的数量，计算公式如下：S3.4：如满足式(10)，则ck(n)'为新的中心向量，进入步骤S3.5，不满足返回步骤S3.2，重新随机抽取数据：ck(n)′＝ck(n+1)'        (10)S3.5：计算中心向量之间的距离Dc，X表示重叠系数n/2，系数S的计算公式如下所示：Dc＝||ck(n)'‑ck||      (11)S＝DcX        (12)。

4.根据权利要求1所述的一种基于云计算的电力负荷预测方法，其特征在于：所述S3中的云计算环境为Hadoop的云计算环境。

5.根据权利要求1所述的一种基于云计算的电力负荷预测方法，其特征在于：所述S4中计算权值包括以下步骤：S4.1：计算径向基函数，Ch'表示这一神经元下At对应的中心向量，具体公式如下：S4.2：计算权值wth：

T

wth＝(FF)AtF     (14)。

6.根据权利要求1所述的一种基于云计算的电力负荷预测方法，其特征在于：所述S5中输出的电力负荷数据预测值即为RBF神经网络的输出值Y：。