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。

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。

4.根据权利要求3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m1、隐藏节点数k1、输出节点数n1、学习率yita、误差阈值cost、最大迭代次数和细胞核个数w；

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xt为当前时刻输入向量；ht‑1为t‑1时刻的记忆状态量；rt表示重置门神经元的计算函数；zt表示更新门神经元的计算函数；为当前时刻状态量候选集向量；ht为当前时刻t的记忆状态量； 为当前时刻前向隐藏层状态， 为当前时刻后向隐藏层状态，bt为当前时刻隐藏层的偏置量，yt为当前时刻的输出向量；Wr为重置门的权重参数，Wz为更新门的权重参数， 为候选集的权重参数，Wy为输出向量的权重参数；[]表示向量连接；·表示矩阵点乘；×表示矩阵乘积；σ表示sigmoid激活函数；GRU()表示门控循环单元的计算函数；

步骤2.3：迭代计算；

根据式(1)计算出rt、zt、 ht、 yt的值，经过反复迭代，直到迭代次数等于s或误差小于误差阈值cost，停止训练；

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。

5.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Q(t)与网供负荷预测模型预测值yt作差，得到残差序列并计算残差序列的样本均值 和标准差S；将样本划分为多个残差区间：

2)将残差区间作为残差的状态，残差的状态空间E＝{H1,H2,…Hm},m＝5，将残差序列中前后相邻的样本所在残差区间的变化表示成马尔科夫链的状态转移，对于其中一个状态，经过任意一次的转移，必然出现状态空间E中的一个状态，这种状态之间的转移概率即为状态转移概率，用fij表示残差序列中状态Hi经一步转移到状态Hj的频次，其中Hi,Hj∈E，由fij组成的矩阵即为转移频次矩阵，再将fij除以对应行的频次总和可得到状态转移概率Pij，一(1)

阶转移概率矩阵P 如下：

(l)

l步转移的转移概率矩阵P 如下其中状态转移概率Pij的计算式如下式中i,j分别表示第i,j个状态，Hi,Hj∈E，l表示转移步长。

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S表示状态变量，P(s)表示状态变量S的概率密度分布；

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Cl表示l阶步长的残差序列与降雨量费歇信息值的相关系数；l表示步长；yl表示残差序列样本值；表示残差序列的样本均值；Il表示时间窗口序列费歇信息值；表示时间窗口序列费歇信息值平均值；n表示残差序列样本总量；

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l的马尔科夫链权重wl的计算式如下：式中m表示预测时根据实际情况选择的最大步长。

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l

的状态转移概率矩阵计算预测日残差区间的概率Pi，l为步长；

l

计算预测日残差为状态Hi的不同步长的预测概率Pi的加权值，作为残差到状态Hi的转移概率，计算式如下：

式中Pi表示预测的残差在残差区间Hi的概率；

取概率Pi的最大值，即max{Pi,Hi∈E}所对应的状态Hi为预测的残差状态。

8.根据权利要求7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：Yt＝yt(1‑δ)  (9)式中Yt表示修正后的网供负荷预测值；yt表示网供负荷预测模型得到的预测日的网供负荷预测值；δ表示残差修正值，δ＝0.5(Hilow+Hiup)  (10)式中Hilow、Hiup分别表示步骤7中得到的预测日残差状态对应的残差区间的下阈值、上阈值，如果残差状态对应的残差区间是H1，则Hilow取残差序列的最小值；如果残差状态对应的残差区间是H5，则Hiup取序列的最大值。