1.一种基于大数据简约的短期电力负荷预测方法，其特征在于，所述方法包括以下步骤：步骤1，选择预测日之前的n个同类型日期的采样点负荷序列；每个日期的采样点为48点，即每30min采样一次；

步骤2，获取选择n个同类型日期及预测日的影响负荷相关天气因素数据；

步骤3，利用最小绝对值收缩(Lasso)原理将获取的原始电力负荷及相关天气因素大数据进行高维数据简约，剔除坏数据，获得有用的负荷序列；

步骤4，通过主成分分析(PCA)对天气环境因素变量进行降维及特征提取，获取环境特征因子；

步骤5，建立Elman动态神经网络短期电力负荷预测模型，将提取的特征向量以及历史负荷数据共同作为Elman神经网络的输入进行训练预测，通过Elman方法预测第n+1天的各时刻的负荷值。

2.根据权利要求1所述的一种基于大数据简约的短期电力负荷预测方法，其特征在于：所述相关天气因素负荷数据包括晴天X1、阴天X2、雨天X3、最高气温X4、最低气温X5、气压X6、湿度X7、辐射X8、风速X9、云量X10，上述10个相关的天气因素数据将作为仿真数据输入。

3.根据权利要求1所述的一种基于大数据简约的短期电力负荷预测方法，其特征在于，步骤3中，最小绝对值收缩(Lasso)原理的具体方法如下：利用Lasso算法对负荷大数据进行数据挖掘，剔除冗余数据，从而为负荷预测算法提供简约而有效的特征数据；Lasso方法是一种压缩估计，通过构造一个罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零，因此保留了子集收缩的特点；

设有线性回归模型：

y＝α+β1x1+β2x2+…+βpxp+ε   (1)式中，α为常数项；β1,β2,…βp为回归系数；ε是随机扰动项；(xi1,xi2,...,xip；yi)，i＝1,

2,...,n是变量的n组观测值，需满足 其中j＝1,2,...,p；

常数项和回归系数的Lasso估计定义为：

数据降维的具体过程如下：

(a)约束条件： s为惩罚函数；

(b)令 表示βj的最小二乘估计，则有(c)当s值不断增大，进入回归模型的数据就会增多，当达到某个值时，所有数据都会进入回归模型；当s值减小到一定程度，某些回归系数的估计值为0，模型提出系数为0的变量，从而达到降维的目的。

4.根据权利要求1所述的一种基于大数据简约的短期电力负荷预测方法，其特征在于，步骤4主成分分析主要目的是对电力负荷预测中气象数据降维处理，提取多天气因素特征指标，与历史负荷数据共同作为建模对象，使建立的特征量既全面表征各因素对电力负荷的影响，又能简化预测模型；

假定有n个样本，每个样本共有p个变量，构成一个n×p阶的数据矩阵

具体过程如下：

(a)数据标准化——将原始数据指标标准化为[0,1]之间的有效数据；

(b)计算相关系数矩阵

式中，rij(i，j＝1，2，…，p)为原变量xi与xj之间的相关系数，其计算公式为：

因为R是实对称矩阵(即rij＝rji)，所以只需计算上三角元素或下三角元素；

(c)计算特征值与特征向量

首先解特征方程|λI-R|＝0，通常用雅可比法求出特征值λi(i＝1,2,…,p)，并使其按大小顺序排列，即λ1≥λ2≥…,≥λp≥0；然后分别求出对应于特征值λi的特征向量ai(i＝1,

2,…,p)；

(d)计算主成分贡献率及累计贡献率

对m个主成分进行综合评价及加权求和

f＝w1z1+w2z2+…+wmzm   (7)式中，wi为主成分的贡献率，计算公式为：

贡献率所代表的是第i个主成分所占原始指标信息量的百分比，所以第一主成分应该所占比重最大，然后逐次递减；前m个主成分累计方差贡献率为：

为了达到降维的目的，当前m个主成分的累计贡献率达到85％以上，就可以用前m个主成分来替代原来的p个评价指标；

(e)新样本矩阵的构造:定义：记x1，x2，…，xP为原变量指标，z1，z2，…，zm(m≤p)为新变量指标，根据式(12)和式(13)计算每一个主成分的各样本值；

5.根据权利要求1所述的一种基于大数据简约的短期电力负荷预测方法，其特征在于，步骤5中，具体预测方法如下：Elman神经网络是在BP的前馈网络隐含层中增加一个承接层，作为一步延时算子，以达到记忆的目的，通过存储内部状态，使其具备动态特性的功能，从而使得系统具有适应突变事件的特性；

Elman网络的非线性状态空间表达式为:

式中，k为神经网络训练的次数；y为n维输出向量；x为隐层神经元输出向量；u为输入向量；xc为反馈状态向量；w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层的连接权值；g为输出神经元的传递函数，是中间层输出的线性组合；f为隐层神经元的传递函数，常采用s函数；

Elman网络也采用BP算法进行权值修正，学习指标函数采用误差平方和函数：

式中， 为目标输入向量。