1.一种电力负荷预测方法，其特征在于，所述方法包括以下步骤：S1、计算电力负荷数据R的K-距离集合D：对于数据集合R＝{c1,c2,c3,...,cm}，计算元素ci到R的子集S＝{c1,c2,c3,...,ci-1,ci+1,...,cm}中所有元素的距离，距离按照从小到大排序，获得排序后的距离集合D′＝{d1,d2,d3,...,dk,dk+1,...,dm}，dk即为K-距离，对集合R中每一个元素ci都计算K-距离，得到所有点的K-距离集合D＝{dk1,dk2,...,dkm}；

S2、初始化DBSCAN算法的领域半径Eps和最小密度MinPts：MinPts的值由用户指定，其值即为S1中的K-距离的K值；领域半径Eps为S1中计算的K-距离曲线D中斜率最大的点所对应的值，若存在多个点均为斜率最大点，则取这些点的平均值作为领域半径Eps的值；

S3、使用DBSCAN算法对电力负荷数据R进行聚类：根据S1和S2所确定的DBSCAN算法的参数，对R进行聚类，获得聚类结果C；

S4、计算C的类中心ci：

其中，Xi,Xj均为聚类结果C的第i类簇中的元素；r为第i类簇中包含的元素个数；d(Xi,Xj)为Xi,Xj的欧氏距离；

S5、建立LSTM神经网络：

首先是遗忘门，通过Sigmoid函数将ft转化成0到1之间的值，0表示全部遗忘，1表示全部保留，其计算式如下：ft＝Sigmoid(Wf·Xt+Uf·Ht-1+bf)    (2)其中，Wf表示遗忘门的输入向量的权值矩阵；Uf为遗忘门中神经元上一状态值Ht-1的权值矩阵；bf为遗忘门的偏置项；

其次为输入门，输入门的计算由it和 两部分组成，其计算式如下：it＝Sigmoid(Wi·Xt+Ui·Ht-1+bi)    (3)其中Wi为当前输入向量Xt的权值矩阵；Ui为神经元上一状态值Ht-1的权值矩阵；bi为偏置项；

其中WC～为当前输入向量Xt的权值矩阵；UC～为神经元上一状态值Ht-1的权值矩阵；bc～为偏置项；

当前时刻的神经元状态值Ct由前一时刻的神经元状态值Ct-1、遗忘门的输出值ft和输入门的it和 的积组成，计算式如下：最后为输出门，输出门输出值ot的计算式如下所示：ot＝Sigmoid(Wo·Xt+Uo·Ht-1+bo)     (6)其中Wo为输出门对输入向量Xt的权值矩阵，Uo为神经元上一状态值Ht-1的权值矩阵；bo为偏置项；

将输出门的输出值ot与当前神经元状态值Ct通过tanh函数转化得到的值进行相乘，得到当前神经元的输出值Ht，即：Ht＝ot·tanh(Ct)      (7)S6、初始化LSTM神经网络；

S7、计算预测日负荷特征向量Vf；

S8、计算预测日负荷特征向量Vf与聚类结果C中的类中心的欧式距离：S9、计算预测日的负荷相似类别F；

S10、合并预测日相似类别负荷数据与原始电力负荷数据；

S11、初始化LSTM神经网络；

S12、将S10中得到的组合电力负荷数据作为LSTM神经网络的输入训练数据，输出预测日的电力负荷曲线。

2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述的步骤S7计算预测日负荷特征向量Vf，进一步包括：将预测日前N天的负荷特征数据作为LSTM神经网络的输入训练数据，计算输出预测日的8点负荷特征vf1,vf2,...,vf8，组成预测日负荷特征向量Vf：其中Vf的各个分量定义如下：

vf1：全天电力负荷最大值；

vf2：全天电力负荷最小值；

vf3：全天电力负荷平均值；

vf4：06:15至12:00的电力负荷平均值；

vf5：12:15至14:00的电力负荷平均值；

vf6：14:15至19:00的电力负荷平均值；

vf7：19:15至23:45的电力负荷平均值；

vf8：00:00至06:00的电力负荷平均值。

3.根据权利要求1所述的电力负荷预测方法，其特征在于，所述的步骤S9计算预测日的负荷相似类别F，进一步包括：预测日的相似负荷类别F由与预测日负荷特征向量Vf的欧氏距离最小的DBSCAN聚类后的类中心ci所对应的类别决定，即：F＝{i|min(d(Vf,ci))}

其中d(Vf,ci)为Vf与ci的欧氏距离。

4.根据权利要求1所述的电力负荷预测方法，其特征在于，所述的步骤S10合并预测日相似类别负荷数据与原始电力负荷数据，进一步包括：将预测日的负荷相似类别的负荷数据，放在原始电力负荷数据之后，拼接在一起，合并为组合电力负荷数据，作为LSTM神经网络的输入训练数据。

5.根据权利要求1所述的电力负荷预测方法，其特征在于，所述的步骤S6初始化LSTM神经网络，进一步包括：将LSTM神经网络的所有参数进行随机初始化，随机区间为(0,1)。

6.根据权利要求1所述的电力负荷预测方法，其特征在于，所述的步骤S11初始化LSTM神经网络，进一步包括：将LSTM神经网络的所有参数进行随机初始化，随机区间为(0,1)。

7.根据权利要求1所述的电力负荷预测方法，其特征在于，在所述的步骤S1之前，进一步包括：获取原始电力负荷数据。

8.根据权利要求1所述的电力负荷预测方法，其特征在于，MinPts的取值为4。

9.根据权利要求1所述的电力负荷预测方法，其特征在于，Eps的取值为1.25。

10.根据权利要求1所述的电力负荷预测方法，其特征在于，LSTM神经网络的输入节点为12，时序步为12，隐藏层节点为16。