1.一种基于相似日和改进LSTM的电能质量预测方法，其特征在于，该方法包括下列步骤：1)基于电网电能质量监测平台采集某地区某监测点一段时期内的电能质量稳态指标数据以及该地区的气象数据；所述电能质量稳态指标包括电压偏差和负序不平衡；2)采用核主成分分析法对步骤1)中采集的气象数据进行特征降维，根据各主成分的累积贡献率大小选取主成分作为相似日特征向量，具体包括以下步骤：21)输入采集的气象数据作为样本集X＝{x 1 ,x 2 ,…，x n }，n为样本个数，并确定核函数；22)根据样本集计算核矩阵M，其计算式为：式中：Φ(x)为映射函数，i,j＝1,2,…，n；23)获取中心化后的核矩阵 其计算式为：式中：I为n×n的矩阵且满足：24)计算核矩阵 的参数，包括特征值λ和特征向量V：式中：维度h＝1,2,…，n，α 1 ,α 2 ,…，α n 为映射数据的系数；25)计算第h维的非线性主成分β h ：26)获取各非线性主成分的累积贡献率大小，选取累积贡献率较高的主成分作为相似日特征向量；3)根据选取的相似日特征向量，采用灰色关联算法计算历史日与待预测日的气象因素匹配系数，确定相似日集；4)选取与待预测日相似的电能质量历史数据及步骤3)获取的相似日集数据作为LSTM神经网络的训练样本集，采用Dropout算法和Adam自适应学习率优化算法相结合的方法优化LSTM神经网络参数，将相似日特征向量作为模型输入变量，获取待预测日各时刻电能质量的预测结果。
2.根据权利要求1所述的一种基于相似日和改进LSTM的电能质量预测方法，其特征在于，步骤1)中，采集的气象数据包括最高温度、最低温度、平均温度、降雨量、风向、风速、气压和湿度。
3.根据权利要求1所述的一种基于相似日和改进LSTM的电能质量预测方法，其特征在于，步骤2)中，采用核主成分分析对采集的气象数据进行特征降维时，选取的核函数为高斯核函数，并以累计方差贡献率不小于85％选取作为相似日特征向量的主成分。
4.根据权利要求3所述的一种基于相似日和改进LSTM的电能质量预测方法，其特征在于，步骤3)具体包括以下步骤：31)根据主成分大小对m个相似日特征向量进行排序，确定电能质量稳态指标的日特征向量，第i日的日特征向量的表达式为：x i ＝[x i1 ,x i2 ,…,x im ]i＝1,2,…,n32)对第i日的日特征向量进行归一化处理，公式为：33)获取预测日的特征向量元素x 0 (k)与第i日的特征向量元素x i (k)的关联度α i (k)，其计算式为：式中：k＝1,2,…，m，ρ为分辨系数，取值范围为0～1，若ρ越小，关联度差异越大，区分能力越强，差异性越小，关联度越大，待测日与历史日的相似度也越大；34)综合所有特征向量元素的关联度，获取x 0 与x i 的总相似度F i ，其表达式为：式中：μ k 为各个相似日特征向量关联度的权重值；35)计算原始样本中各个历史日与预测日的总相似度，根据总相似度选取相似日样本集。
5.根据权利要求4所述的一种基于相似日和改进LSTM的电能质量预测方法，其特征在于，步骤35)的具体内容为：计算原始样本中各个历史日与预测日的总相似度F i ，选取待预测日具有高相似度的30天历史日组成相似日样本集，即要求相似度F i >＝r，r为阈值，0<r<1，其值为待预测日与相似日样本集之间的最小总相似度。
6.根据权利要求1所述的一种基于相似日和改进LSTM的电能质量预测方法，其特征在于，步骤4)中，优化LSTM神经网络参数具体包括如下内容：a)采用Dropout算法对传统LSTM模型进行优化，当LSTM模型训练时，在信息正向传递和权值不断更新的过程中对LSTM神经元的输入和递归连接以概率p进行丢弃，0<p<1；b)采用Adam算法对传统LSTM模型进行优化，通过计算梯度的一阶矩估计和二阶矩估计来为不同的网络参数设计独立的自适应性学习率，不断更新LSTM网络的参数。
7.根据权利要求5所述的一种基于相似日和改进LSTM的电能质量预测方法，其特征在于，步骤4)中，采用ReLu函数作为LSTM的激活函数。
8.根据权利要求3所述的一种基于相似日和改进LSTM的电能质量预测方法，其特征在于，选取的高斯核函数的参数σ＝2。
