1.一种基于大数据时空聚类的智慧电网电力负荷预测方法，其特征在于，包括以下步骤：步骤1，获取目标区域电力负荷长时间原始序列数据；

所述目标区域电力负荷长时间原始序列数据包括目标区域总电力负荷长时间原始序列A和分别与目标区域中Q个目标子区域对应的目标子区域子电力负荷长时间原始序列Ai,i＝1,2,…,Q，且A＝A1+A2+…+Ai+…AQ；

步骤2，获取目标区域气温数据；

所述气温数据包括每个目标子区域每天的平均气温和气温跳跃范围；

步骤3，对目标子区域子电力负荷长时间原始序列进行分解处理；

步骤3.1，将每个目标子区域子电力负荷长时间原始序列Ai按时间窗进行分解，得到n*Q个子电力负荷时间序列Xi,j，j＝1,2,…,n，组成子电力负荷时间序列矩阵Qn，设置时间窗的长度为L1；

步骤3.2，将每个时间窗分为L1/L2个时间子窗，对每个时间子窗内的电力负荷值求均值作为时间子窗的电力负荷值，设置时间子窗的长度为L2；

步骤3.3，更新子电力负荷时间序列矩阵Qn，得到n*Q个长度为L1/L2的子电力负荷时间序列；

步骤4，根据子电力负荷时间序列矩阵Qn按时间窗建立n个时间向量，并对n个时间向量进行时间聚类，得到N个时间聚类类别；

步骤5，根据子电力负荷时间序列矩阵Qn按目标子区域建立Q个空间向量，并对Q个空间向量进行空间聚类，得到K个空间聚类类别；

步骤6，设时间聚类和空间聚类的组合为时空聚类，聚类类别的数量为N*K，为每个子电力负荷时间序列按时间窗和目标子区域确定时空聚类类别，每个时空聚类类别得到若干个子电力负荷时间序列，所述若干个子电力负荷时间序列组成与时空聚类类别对应的负荷预测模型的训练样本；

步骤7，依据N*K组负荷预测模型的训练样本，分别建立N*K个负荷预测模型；

步骤7.1，对于每个负荷预测模型，将相应的训练样本中每个子电力负荷时间序列内的每连续D个时间子窗的电力负荷值以及相应的子电力负荷时间序列所属的日期、所属目标子区域的平均气温和气温跳跃范围作为输入数据，相应的子电力负荷时间序列内的与输入的D个时间子窗的电力负荷值相邻的下一个时间子窗的电力负荷值作为输出数据，训练小波神经网络，得到负荷预测模型；

步骤7.2，针对N*K个聚类类别，利用N*K个负荷预测模型的训练样本训练N*K个小波神经网络，得到N*K个负荷预测模型；

步骤8，实时预测所有目标子区域及目标区域的电力负荷；

步骤8.1，设置时间子窗的起始时间，实时获取目标子区域的电力负荷数据，计算每个时间子窗内的电力负荷数据的平均值作为相应时间子窗的电力负荷值，将电力负荷值按时间次序组成预测向量；

步骤8.2，当预测向量的长度达到D时，获取预测向量中首位电力负荷值所属日期，确定预测向量所属的时间聚类类别；

步骤8.3，依据预测向量所属的目标子区域，确定预测向量所属的空间聚类类别；

步骤8.4，设定预测目标时间；

步骤8.5，将预测向量中与目标时间最接近的D个电力负荷值、预测向量所属日期和所属目标子区域的气温平均值和气温跳跃范围作为输入数据，输入至对应时空聚类类别的负荷预测模型，输出得到下一个时间子窗的负荷预测值，将负荷预测值插入到预测向量首位，更新预测向量；

步骤8.6，判断预测向量中首位电力负荷值所在时间子窗是否超过目标时间，若是，进入步骤8.7，否则，返回步骤8.5；

步骤8.7，选择其他目标子区域，重复步骤8.1至步骤8.6，完成所有目标子区域的电力负荷值在目标时间的预测；

步骤8.8，将所有目标子区域在从当前时刻到目标时间之间的电力负荷预测向量相加，得到目标区域在从当前时刻到目标时间之间的电力负荷预测向量，完成电力负荷预测。

2.根据权利要求1所述的方法，其特征在于，负荷预测模型的小波神经网络在训练过程中选择Haar小波作为基函数，设置输入层节点个数为D+2，隐含层节点个数为2D+5，输出层节点个数为1；训练过程中的最大迭代次数设置为2000，训练学习率为0.01，阈值为0.05。

3.根据权利要求1所述的方法，其特征在于，所述步骤4的具体过程为：

将子电力负荷时间序列矩阵Qn的每一列的Q个子电力负荷时间序列拼接为一个长度为L1/L2*Q的时间向量，得到n个时间向量{B1,B2,…,Bn}，对于任意时间向量Bj＝[bj,1,bj,2,…,bj,L1/L2*Q]均由{X1,j,X2,j,…,XQ,j}共Q个子电力负荷时间序列拼接而成；

计算n个时间向量之间的欧式距离，利用K-means聚类方法，设置聚类簇数为N，对n个时间向量进行时间聚类，所述欧式距离的计算公式为：其中，Bp＝[bp,1,bp,2,…,bp,L1/L2*Q]、Bq＝[bq,1,bq,2,…,bq,L1/L2*Q]分别为第p个和第q个时间向量，deu(Bp,Bq)为时间向量Bp,Bq之间的欧式距离。

4.根据权利要求1所述的方法，其特征在于，所述步骤5的具体过程为：

将子电力负荷时间序列矩阵Qn的每一行的n个子电力负荷时间序列拼接为一个长度为L1/L2*n的空间向量，得到Q个空间向量{C1,C2,…,CQ}，对于任意空间向量Ci＝[ci,1,ci,2,…,ci,L1/L2*n]均由{Xi,1,Xi,2,…,Xi,n}共n个子电力负荷时间序列拼接而成；

计算Q个空间向量之间的DTW距离，利用层次聚类方法，设置空间聚类簇数为K，对Q个空间向量进行聚类；

所述DTW距离是指动态时间归整距离，其计算公式为：

其中，ddtw(cg,I,ch,J)为第g个空间向量Cg＝[cg,1,cg,2,…,cg,L1/L2*n]与第h个空间向量Ch＝[ch,1,ch,2,…,ch,L1/L2*n]之间的DTW距离，deu(cg,I,ch,J)为cg,I,ch,J之间的一维欧式距离deu(cg,I,ch,J)＝|cg,I-ch,J|，且ddtw(cg,0,·)＝∞,ddwt(·,ch,0)＝∞。

5.根据权利要求1所述的方法，其特征在于，L1的取值为24小时，L2的取值为30分钟。

6.根据权利要求1所述的方法，其特征在于，所述目标区域电力负荷长时间原始序列数据的时间跨度至少为1年。

7.根据权利要求1所述的方法，其特征在于，输入负荷预测模型的电力负荷值的个数D＝6。