1.基于残差修正的小水电渗透地区网供负荷预测方法，其特征在于，包括以下步骤：步骤1：采用聚类经验模态分解方法对网供负荷数据进行分解；

步骤2：利用神经网络建立网供负荷预测模型，网供负荷预测模型的输入为历史网供负荷数据的分解数据和气象数据，对网供负荷预测模型进行训练和测试；

步骤3：利用训练好的网供负荷预测模型对历史网供负荷数据进行预测计算，计算预测值与真实网供负荷数据的残差，得到残差序列并计算均值和标准差，划分残差区间，将残差区间作为残差的状态，统计残差状态之间的状态转移概率，得到状态转移概率矩阵；

步骤4：计算历史降雨量的费歇值，并计算其与残差序列的各阶步长的相关系数，根据各阶步长的相关系数计算得到各阶步长对应的权重；

步骤5：以预测日前最近的残差状态作为状态转移的初始状态，根据步骤3得到的状态转移矩阵，计算得到各阶步长的预测日残差状态的概率；

步骤6：利用步骤4得到的各阶步长对应的权重，计算各阶步长的预测日残差状态的概率的加权值作为预测日残差状态的概率；

步骤7：比较步骤6得到的预测日残差状态的概率，选择概率最大的残差状态作为预测日残差状态；

步骤8：利用得到的预测日残差状态对网供负荷预测模型输出的预测日的网供负荷预测值进行修正，得到最终的网供负荷预测值；

步骤1还包括利用k-means算法对经验模态分解方法分解历史网供负荷数据得到的分量进行分类，使得同组分量的时序特征最大相似化，不同组分量的时序特征最大差异化，根据聚类标签，将同组分量进行线性相加形成新的分组分量时序序列，将得到的分组分量时序序列和气象数据作为网供负荷预测模型的输入。

2.根据权利要求1所述的基于残差修正的小水电渗透地区网供负荷预测方法，其特征在于，所述网供负荷预测模型采用双向门控循环单元。

3.根据权利要求2所述的基于残差修正的小水电渗透地区网供负荷预测方法，其特征在于，步骤2具体包括：步骤2.1：初始化双向门控循环单元的超参数；

双向门控循环单元的超参数包括输入节点数步骤2.2：初始化双向门控循环单元的权重偏置；

双向门控循环单元的数学模型如下：

式中

步骤2.3：迭代计算；

根据式（1）计算出

步骤2.4：将双向门控循环单元得到的各分组分量时序序列的预测值叠加即得到网供负荷预测模型的最终的网供负荷预测值。

4.根据权利要求1所述的基于残差修正的小水电渗透地区网供负荷预测方法，其特征在于，步骤3具体包括：

1）将网供负荷实际值

2）将残差区间作为残差的状态，残差的状态空间其中状态转移概率

式中

5.根据权利要求4所述的基于残差修正的小水电渗透地区网供负荷预测方法，其特征在于，步骤4包括以下子步骤：步骤4.1：计算降雨量费歇信息值；

费歇信息值的计算式如下：

式中

利用式（5）计算预测日之前时间段的降雨量费歇信息值；

步骤4.2：计算降雨量费歇信息值与各阶步长的残差序列的相关系数，计算式如下式中

步骤4.3：根据各阶步长的残差序列的相关系数计算各阶步长对应的权重；

步长为

式中

6.根据权利要求5所述的基于残差修正的小水电渗透地区网供负荷预测方法，其特征在于，步骤5-7中，以预测日前最接近的残差状态作为状态转移的初始状态，结合对应步长的状态转移概率矩阵计算预测日残差区间的概率计算预测日残差为状态

式中

取概率

7.根据权利要求6所述的基于残差修正的小水电渗透地区网供负荷预测方法，其特征在于，步骤8中，修正的网供负荷预测值的计算式如下：式中

式中