1.一种结合CDC‑VMD和回声状态网络的短期电力负荷预测方法，其特征在于，包括以下步骤：步骤1：对原始电力负荷数据进行数据清洗，并采用聚类算法对清洗后的负荷数据进行聚类，采用戴维森堡丁指数DBI对聚类结果分析，根据DBI指标得出采用CDC聚类算法的聚类性能最优；

步骤2：对聚类后的负荷序列采用变分模态VMD分解得到各个分解后的负荷序列；

步骤3：计算各个分解负荷序列的样本熵，将样本熵值相近的模态分量合并组成新的分量；

步骤4：对合并后的新的分量进行归一化处理，将其映射到[0,1]之间；

步骤5：利用滑动窗口构建时间序列输入输出标签对，输入输出标签对用于训练预测模型；

步骤6：构建结合CDC‑VMD和回声状态网的短期电力负荷预测模型，并采用Adam优化算法来调节模型权重参数，寻找网络最优值；

步骤7：将归一化后的分量放入深度回声状态网DESN进行训练；

步骤8：将训练后的各个分量进行负荷序列重构，得到预测后的负荷数据，输出预测结果。

2.根据权利要求1所述的结合CDC‑VMD和回声状态网络的短期电力负荷预测方法，其特征在于，所述步骤1对原始负荷数据进行聚类，具体包括以下步骤：(1)计算角度方差即局部的方向中心性度量，角度方差用来表征每个点的K最近邻分布均匀性，αi代表角度值，i代表角度的数量，k代表当前的αi为第几个角度值；

(2)基于局部的方向中心性度量，设定阈值，划分边界点和内部点，其中边界点的DCM值大于阈值，内部点的DCM值小于阈值；

(3)生成约束内部点的连接，即划分每个簇，具体方法：计算边界点与每个内部点pi的最近距离ri，计算内部点之间的距离dij，如果ri+rj≥dij，则内部点pi与pj同簇，反之不同簇；

内部点簇划分依据：

d(pi,pj)≤ri+rj        (3)

利用戴维森堡丁指数DBI对聚类结果分析，计算公式如下：式中： 是类内数据到簇质心的平均距离，代表了簇类i中各时间序列的分散程度，wi表示各簇的聚类中心；对于每个簇，DBI首先找到内部类平均距离 和 之和除以两个簇中心之间的距离的最大值；然后将这些最大值相加得到平均值；CDC聚类算法的DBI指数最低，聚类效果最优。

3.根据权利要求1所述的结合CDC‑VMD和回声状态网络的短期电力负荷预测方法，其特征在于，所述步骤2对聚类后的负荷序列采用变分模态VMD分解得到各个分解后的负荷序列，具体包括以下步骤：(1)初始化 分别表示第k个模态分量和中心频率, 为拉格朗日算子，左上角数字1表示第一次迭代；

(2)对每一子序列，根据(5)、(6)不断更新得到 和式中： 为当前剩余分量的维纳滤波， 为与之对应模态分量的频率中心，ω为频率值； 分别表示原始序列f(t),以及 的傅里叶变换，α为二次惩罚因子；

(3)对于所有的ω≥0，更新

τ表示噪声容忍度，K表示模态的总个数；

(4)判断是否满足迭代终止条件：

不满足终止条件，则重复步骤(2)、(3)，满足条件则迭代终止，得到分解后的K个子序列；ε代表相似系数。

4.根据权利要求1所述的结合CDC‑VMD和回声状态网络的短期电力负荷预测方法，其特征在于，所述步骤3：计算各分解序列的样本熵，将样本熵值相似的模态分量合并组成新的分量，具体为：对于由N个点组成的时间序列{x(n)}＝x(1),x(2),…x(N),样本熵的计算方法如下：(1)按序号组成一组维数为m的向量序列，Xm(1),…,Xm(N‑m+1),其中Xm(i)＝{x(i),x(i+1),…,x(i+m‑1)},(1≤i≤N‑m+1)；

(2)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i),Xm(j)]为两者对应元素中最大差值的绝对值；

(3)给定阈值r,记录d[Xm(i),Xm(j)]

(5)增加维数到m+1,计算Xm+1(i)与Xm+1(j)距离小于等于r的个数，记作Ai， 定义为：m

(6)定义A(r)为：

m m

B(r)和A(r)分别为序列对m和m+1点的匹配概率，此时样本熵定义为：当N取有限值时，样本熵的估计值为：

5.根据权利要求4所述的结合CDC‑VMD和回声状态网络的短期电力负荷预测方法，其特征在于，所述步骤4：对合并后的新的分量进行归一化处理，将其映射到[0,1]之间，具体为：归一化，即将原始数据按比例缩放在一个特定区间，转化为无量纲的纯数值，采用min‑max标准化方法将负荷映射到[0,1]之间，计算公式如下：其中，xmin和xmax分别为样本数据的最小值和最大值，x'代表映射后的值。

6.根据权利要求5所述的结合CDC‑VMD和回声状态网络的短期电力负荷预测方法，其特征在于，所述步骤6：构建深度回声状态网络短期电力负荷预测模型，具体为：采用深度回声状态网络DESN对电力负荷各模态时间序列进行建模预测，深度回声状态网络DESN是基于层次结构的ESN模型，其主要思想是通过构建一个深度体系结构来捕获时间序列的多尺度动态；DESN不是直接叠加多ESN，而是构造编码器层，同时在每个编码层和最后一个输出层之间添加特征连接，充分利用高维投影得到输入丰富的多尺度动态表示，而且DESN的训练是对整个模型逐层进行训练，唯一可训练层是最后一个输出层，它在不依赖梯度传播算法的情况下保持了的高效的计算，在网络训练过程中，采用了Adam优化器来调节网络权重参数，寻找网络最优值。