1.一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，构建Elman电力负荷预测模型并利用改进的灰狼算法对Elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用DNA发夹变异作用于灰狼算法上，方法包括如下步骤：步骤1：获取电力负荷数据集：对电力负荷样本数据进行预处理和归一化，将样本集数据处理后划分为训练数据集、测试数据集；

步骤2：建立电力负荷Elman神经网络模型，确定神经元的输入和输出数据；

步骤3：确定电力负荷Elman神经网络的隐含层神经元个数；

步骤4：初始化寻优参数，即设置步骤3所确定的Elman神经网络的初始权值和阈值为待寻优参数；

步骤5：确立适应度函数，即优化算法的评价函数；

步骤6：利用训练数据集对Elman神经网络模型进行训练，在训练过程中采用DNA发夹变异操作灰狼算法对参数进行优化，得到最优的权值和阈值；

所述改进的灰狼算法具体步骤如下：

步骤6.1：设置DNA发夹变异操作灰狼算法的运行参数，包括：种群个数N，最大进化代数G，个体编码长度L，变量的个数M，变异概率pm，算法迭代的终止条件，一般为达到最大迭代次数或设定的寻优精度；

步骤6.2：对要进行寻优的M个权值和阈值进行编码，随机生成大小为N个的初始种群，每个参数被编码为长度为L的子序列，且由整数集{0,1,2,3}表示，则每个个体被编码后的DNA序列长度为L×M；

步骤6.3：将种群中的个体解码为对应的Elman神经网络寻优的权值和阈值，采用Elman神经网络对样本数据训练，将得到的电力负荷预测数据与实际数据的误差平方和的平方根作为DNA发夹变异GWO寻优的适应度函数；

步骤6.4：计算所有个体的适应度函数值，轮盘赌选择个体，并将选中的个体按适应度函数值进行排序，适应度较优的前70%的个体为优质个体，排名后30%的个体为有害个体，并且取前三个最优的个体，标记为 ， ， ；

步骤6.5：随机生成概率 ，以此决定有害个体是否参与变异，具体为：a) 若r＞pm，则不进行变异操作，直接计算该个体可能更新的位置，具体为：a1) 分别计算该个体距离三匹头狼 ， ， 的距离Dk， ，个体当前位置为X，

a2) 根据Dk计算个体可能更新的位置 ，计算公式为：，

其中，

式中， ，a随着迭代次数增加，由2线性衰减到0；

b) 若r＜pm，则执行变异操作，具体步骤为：

b1) 定义该个体第一个碱基的序列号为c1=1；

b2) 从序列号为c1+1开始遍历，找到第一个与序列号为c1的碱基互补的碱基，定义其序列号为c2；

b3) 将位于c1和c2之间的所有碱基位进行逆序排列；

b4) 将逆序得到的碱基位分别用其对应的互补碱基代替，最后，令c1=c2+1，重复执行以上步骤，直至遍历完所有的c1；至此，得到变异后新的子代个体 ；

b5) 分别计算该新个体距离三匹头狼 ， ， 的距离Dk， ，β，，个体当前位置为b6) 根据Dk计算个体可能更新的位置 ，计算公式为：，

其中，

式中， ，a随着迭代次数增加，由2线性衰减到0；

步骤6.6 若当前种群达到迭代次数或达到要求的精度，则获得最优的Elman网络权值和阈值，否则，返回步骤6.2；

步骤7：利用测试数据集对训练调整后的Elman神经网络模型进行测试；采用所得模型对电力负荷进行预测。

2. 根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述的DNA发夹变异为：随机选择一个DNA序列作为父代个体，定义第一个碱基的序列号为c1=1，从序列号为c1+1开始遍历，直到找到第一个与序列号为c1的碱基互补的碱基，定义其序列号为c2，如果找不到c2，则重新选择DNA序列，直到找到为止；然后，将位于c1和c2之间的所有碱基位进行逆序排列，最后，将逆序得到的碱基位分别用其对应的互补碱基代替；最后，令c1= c2+1，重复执行以上步骤，直至遍历完所有的c1；至此，得到变异后新的子代个体。

3.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述电力负荷样本数据包括5个输入和一个输出数据，输入的形式如下：式中，p(t)表示t时刻的温度，h(t)表示t时刻的湿度，r(t)表示t时刻的降水量，l(t‑

1)、l(t‑2)和l(t‑3)分别表示t‑1、t‑2和t‑3时刻的电力负荷值；

输出为t时刻的电力负荷数据；

所述预处理为：对样本中缺失的数据或异常数据采用线性插值法进行填充或替换。

4.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述Elman电力负荷预测模型基于Elman神经网络构建，如下：式中，k表示时刻，xc(k)，u(k‑1)，x(k)，y(k)分别表示m维反馈状态向量，n维输入向量，m维隐含层节点向量，1维输出向量； ， 和 分别表示承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值矩阵； b1和b2分别是输入层和隐含层的阈值；f为隐含层的传递函数，g为隐含层输出的线性组合表达式。