1.一种电子式互感器误差预测方法，其特征在于，包括下述步骤：S1：采集电子式互感器误差值和环境参量值生成样本数据；S2：对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级；对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；S3：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；所述步骤S3中，以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i个输入向量为X i ＝(x 1 ,x 2 ,…,x p )，其中x 1 ，x 2 ，...x p 为输入向量X i 的元素，第i个输出向量为Y i ＝(y 1 ,y 2 ,…,y q )，其中y 1 ，y 2 ，...y q 为输出向量Y i 的元素，输出层权重为W＝[ω 1 ,ω 2 ,…,ω K ] T ，其中ω 1 ，ω 2 ，...ω K 为初始输出层权重向量W的元素，基函数中心值为聚类中心[U 1 ,U 2 ,…,U K ] T ，其中U 1 ,U 2 ,…,U K 为聚类中心的元素,T表示矩阵的转置；S4：基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。
2.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S1中，电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。
3.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S2中，基于Z-score标准化方法对样本数据进行标准化处理，计算公式为： 其中x′表示标准化处理的值，x表示样本数据， 表示样本数据的平均值，σ表示样本数据的标准差。
4.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S2中，选取样本数据中K个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离： 其中，n表示样本数据的个数，x i 表示样本数据值，U K 表示聚类中心，按照距离最近的原则将样本数据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同聚类中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。
5.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述隐含神经元的映射函数为高斯函数： 其中，j＝1,2,…,K，U j 为聚类中心的元素，σ 2 为聚类中心元素的标准差；根据输出层权重和映射函数，求得神经网络的输出为： ω j 为初始输出层权重向量W的元素，根据最小二乘法得到神经网络输出层的最终权重W n ＝[w 1 ，w 2 ，…，w k ] T ，其中w 1 ,w 2 ,…,w K 表示最终输出层权重向量W n 的元素。
6.根据权利要求5所述的电子式互感器误差预测方法，其特征在于，将环境参量值C i ＝(c 1 ,c 2 ,…,c p )代入步骤S3所建立的神经网络的输入，电子式互感器比差或者角差的预测值为： 以电子式互感器误差实际值f i 为基准，计算预测误差： 其中，c 1 ,c 2 ,…,c p 表示环境参量的元素，w j 为最终输出层权重向量的元素，N为计算点数。
7.一种电子式互感器误差预测系统，其特征在于，包括依次连接的数据采集模块、标准化处理及聚类处理模块、预测模型建立模块和预测模块；所述数据采集模块用于采集电子式互感器误差值和环境参量值生成样本数据；所述标准化处理和聚类处理模块用于对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级，以及对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；所述预测模型建立模块用于将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；所述预测模型建立模块用于以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i个输入向量为X i ＝(x 1 ,x 2 ,…,x p )，其中x 1 ，x 2 ，...x p 为输入向量X i 的元素，第i个输出向量为Y i ＝(y 1 ,y 2 ,…,y q )，其中y 1 ，y 2 ，...y q 为输出向量Y i 的元素，输出层权重为W＝[ω 1 ,ω 2 ,…,ω K ] T ，其中ω 1 ，ω 2 ，...ω K 为初始输出层权重向量W的元素，基函数中心值为聚类中心[U 1 ,U 2 ,…,U K ] T ，其中U 1 ,U 2 ,…,U K 为聚类中心的元素,T表示矩阵的转置；所述隐含神经元的映射函数为高斯函数： 其中，j＝1,2,…,K，U j 为聚类中心的元素，σ 2 为聚类中心元素的标准差，根据输出层权重和映射函数，求得神经网络的输出为： ω j 为初始输出层权重向量W的元素，根据最小二乘法得到神经网络输出层的最终权重W n ＝[w 1 ,w 2 ,…,w k ] T ，其中w 1 ,w 2 ,…,w K 表示最终输出层权重向量W n 的元素；所述预测模块基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。
8.根据权利要求7所述的电子式互感器误差预测系统，其特征在于，所述电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。
9.根据权利要求7所述的电子式互感器误差预测系统，其特征在于，所述标准化处理和聚类处理模块采用基于Z-score标准化方法对样本数据进行标准化处理，计算公式为： 其中x′表示标准化处理的值，x表示样本数据， 表示样本数据的平均值，σ表示样本数据的标准差；所述标准化处理和聚类处理模块选取样本数据中K个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离： 其中，n表示样本数据的个数，x i 表示样本数据值，U K 表示聚类中心，按照距离最近的原则将样本数据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同聚类中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。
10.根据权利要求7所述的电子式互感器误差预测系统，其特征在于，所述预测模块将环境参量值C i ＝(c 1 ,c 2 ,…,c p )代入步骤S4所建立的神经网络的输入，电子式互感器比差或者角差的预测值为： w j 为最终输出层权重向量的元素，N为计算点数。
