1.一种适应输配电网一体化规划的高压配网变电站负荷预测方法，其特征在于，包括：结合输配网一体化规划需求特点，采用Elman神经网络模型和空间负荷预测相结合的高压配网负荷预测方法，以高压配网变电站供区为预测单位，从历史负荷和空间预测相结合对高压配网中长期负荷进行预测，引入基于网格开发度的供区负荷计算模型；基于网格开发度的供区负荷计算模型的具体内容如下：高压配电网通过运行方式与上级电压等级负荷分配进行有效联系，通过站点供区内空间地理划分与下级配电网负荷分布预测相适应；设地市根据市政规划共分为m个网格，总面积为S m ，范围内共有z个110千伏变电站，以110千伏变电站供区为分析区域，第i年变电站供区内共e i 个网格，网格区块面积的向量集为S i ＝{s(1 i ),s(2 i ),…,s(e i )}，有计算网格区块负荷时，仅记及10千伏及以下大用户，最大负荷密度向量集为P i max ＝{p max (1 i ),p max (2 i ),…,p max (e i )}，网格内部最大容积率向量集为 引入区域开发度向量γ i ＝{γ(1 i ),γ(2 i ),…,γ(e i )}表示网格内负荷开发度，其中γ(e i )∈[0,1]，引入网格土地利用度θ i ＝{θ(1 i ),θ(2 i ),…,θ(e i )}代表某时期内网格容积率与目标建设规模的比例，其中θ(e i )∈[0,1]；网格内35千伏及以上电压等级直供大用户负荷由于无法用负荷密度乘算得到，依靠报装数据统计有Y i ＝{y(1 i ),y(2 i ),…,y(e i )}，非工业类值为0，新增的大用户负荷向量组为ΔY i ，有：式中，u i 为同时率；W i 为第i年该110千伏供区内网格化综合负荷；为加速计算收敛，设|θ(e i )-γ(e i )|∈[0,0.2]；P i ,β i 分别为第i年的实际负荷密度向量及实际容积率向量。
2.根据权利要求1所述的高压配网变电站负荷预测方法，其特征在于，采用改进Elman神经网络模型对历史样本进行训练；对于历史网格化负荷数据采用下面各式计算修正权值：对于“S”型曲线学习样本，采用以下方法计算修正权值：上述各式中，k表示计算序列号，i、j分别表示矩阵的第i行、第j列； 分别为输入层至隐含层第k、k+1次计算得到的连接权值， 为输入层至隐含层的修正权值； 分别为承接层至隐含层第k、k+1次计算得到的连接权值， 为承接层至隐含层的修正权值； 分别为隐含层至输出层第k、k+1次计算得到的连接权值， 为隐含层至输出层的修正权值；η h 、η c 、η out 分别为隐含层、承接层、输出层的学习速率因子； 为第i个样本第k次计算实际输出值， 为第i个样本第k次计算获得值，即样本值，E p 为误差目标函数，a、b、c、d均为敏感性控制系数，按照搜索灵敏性调整；X h 、 分别为隐含层的输出值、第i个样本隐含层的输出值、第j个样本隐含层的输出值；X c 、 分别为承接层的输出值、第i个样本承接层的输出值、第j个样本承接层的输出值； 为第j个样本第k-1次计算获得值；计算得到的修正权值 对连接权值 进行更新，得到预测计算的连接权值。
3.根据权利要求2所述的高压配网变电站负荷预测方法，其特征在于，所述Elman神经网络模型的计算逻辑如下：对于该神经网络模型，输入向量 为n维向量，隐含层及承接层输出向量 及 为n+1维向量，输出为单一值；考虑以上情况，W h 为输入层至隐含层的连接权值,维度为(n+1)×n，W c 为承接层至隐含层的连接权值，维度为(n+1)×(n+1)，W out 为隐含层至输出层的连接权值，维度为n+1，Elman神经网络模型的运算公式如下：X h (k)＝f[W h ·X c (k)+W c ·S in (k-1)]，X c (k)＝X h (k-1)，S out (k)＝g(W out ·X h (k))，式中，k表示计算序列号，f[W h ·X c (k)+W c ·S in (k-1)]为隐含层单元激励函数，g(W out ·X h (k))为输出层单元的激励函数；样本训练时，误差目标函数如下： 为第i个样本第k次计算实际输出值， 为第i个样本第k次计算获得。
4.根据权利要求2所述的高压配网变电站负荷预测方法，其特征在于，在采用历史样本进行训练的同时，采用“S”型曲线学习样本作为修正样本；历史样本：对于过去i年整个县市地区进行网格化分解和计算，地区划分为m个分区，网格区块面积的向量集为S＝{s(1),s(2),…,s(m)}，对于网格s(m)，有：β im ＝s i (m)/s(m)，其中，β im 为第i年m网格的容积率， 为m网格规划最大容积率，s i (m)为第m网格第i年的开发面积；θ im 为第i年m网格土地利用度；计算第i年网格开发度γ i (m)，有：同时满足涵盖第m网格的110千伏变电站供区有：γ i '＝{γ'(1 i ),γ'(2 i ),…,γ'(e i )}，若|γ i '(m)-γ i (m)|＞ζ，γ i (m)＝|γ i '(m)+γ i (m)|/2，其中，w im 是m网格第i年关口负荷，w' im 是m网格上一年对第i年关口负荷的预测值，y im 是该网格内大用户负荷量，γ i '为包含第m网格的110千伏变电站供区在第i年供区内网格开发度向量集合，W i '为该110千伏变电站在第i年负荷实测数据，γ i '(m)为通过第i年负荷实测计算得到的m网格开发度，ζ为差异门槛，对开发度进行核对和修正； 为m网格未来饱和时期的负荷，Δy i 为第i年新增的大用户负荷量，ΔY i ＝{Δy 1 ,...Δy n }为新增的大用户负荷向量组，u i 为同时率；“S”型曲线学习样本：考虑经济和用电量发展情况，规划2040年为用电饱和年，以1991年为统计初始年，期间50年用电负荷经历“S”型曲线达到饱和水平；将“S”型曲线加入样本中共同训练，促进开发度样本训练的拟合程度，对于辅助样本，有拟合曲线：将其与区域网格开发度结合描述为：其中，i为年份，c m 为m网格的土地性质，c m ＝{居住，商务，市政，金融，工业，娱乐}对应c m ＝{1,2,3,4,5,6}，随着用地性质不同对曲线进行修正；学习样本采用历史实际网格化数值及拟合曲线共同学习。
5.根据权利要求4所述的高压配网变电站负荷预测方法，其特征在于，输入、输出值针对开发度及土地开发度进行计算：单次输入采用过去五年历史数据、土地性质进行，第i年，第m网格输入为：x m (i)＝{c m ,s m ,γ i-4 ,γ i-3 ,γ i-2 ,γ i-1 ,γ i ,θ i ,ε i-4 ,ε i-3 ,ε i-2 ,ε i-1 ,ε i }；其中，x m (i)为第i年m网格的输入量，c m ,s m 分别为m网格的土地性质和面积，通过上一小节计算得到网格5年的开发度情况γ i-4 ～γ i ，通过统计数据得到本地市五年内经济增长率ε i-4 ～ε i ；输出量y m (i)＝(γ i+1 ,θ i+1 )；采用历史数据及拟合曲线作为学习样本，对elman神经网络模型进行训练，得到函数承接层、输入层到中间层以及中间层到输出层的连接权值 带入预测计算；每次预测采用前述elman神经网络模型每轮迭代产生一个开发度及土地利用度的预测值γ i+1 ,θ i+1 ，并将其带入下次计算，共迭代3次，预测向后3年的网格化负荷发展情况，得到第m个网格三年开发度及土地利用度，记作{γ(m i+1 ),γ(m i+2 ),γ(m i+3 ),θ(m i+1 ),θ(m i+2 ),θ(m i+3 )}；对地市内全部m个网格进行预测计算后得到全市各网格3年开发度预测值，根据110千伏变电站每年供电范围对网格进行分割，表示为：S i+g ＝{s(1 i+g ),s(2 i+g ),…,s(e i+g )}，g∈{1,2,3}，计算供区负荷预测值W i+g ：
