1.一种基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法，其特征在于，包括以下步骤：步骤1、获取当前时间作为预测时刻T now ；步骤2、从机组的数据库中获取历史数据，历史数据的形式为：上式中，历史数据矩阵F a1 中各列分别表示机组负荷、降水、气压、风速、气温、湿度数据；历史数据矩阵F a1 中各行分别表示不同时间的机组负荷、降水、气压、风速、气温、湿度数据；历史数据矩阵F a1 为历史数据组成的矩阵；步骤3、对历史数据进行预处理；步骤4、根据预测时刻T now 计算预测时刻前一周的平均负荷F week-mean ：F week-mean ＝[u j1 ,u j2 ,...u jn ]上式中，u j1 ,u j2 ,...u jn 指前一周每半小时的平均负荷，其中j是计算的首字母，n为计算的平均负荷次数；步骤5、使用随机森林算法计算气象数据和机组负荷之间的权重因子VIM m ；首先计算Gini指数：上式中，K表示有K个类别，p mk 表示节点m中类别k所占的比例；CI m 指节点m的基尼数；气象数据包括：气温、气压、风温、湿度和降水数据；然后计算机组负荷在节点中的权重：VIM m ＝GI m -GI l -GI r上式中，GI l 和GI r 分别表示分枝后两个新节点后，两个新节点的Gini指数；步骤6、对历史负荷数据F a1 进行数据归一化处理，得到归一化数据矩阵F a-norm ；上式中，F a-norm 为历史数据的归一化数值，F a-max 为最大值，F a-min 为最小值；上式将历史数据矩阵F a1 映射到[0,1]区间；其中历史数据包括负荷、降水、气压、风速、气温、湿度数据；步骤7、根据当前的预测时刻T now 获取相似时刻数据，取相似时刻数据所在日的前一年同期、前一年同期前后设定时间段的数据和预测时刻所在日前设定天数的数据；步骤8、加入权重因子VIM m ，根据DTW原理计算多元数据之间的相似矩阵B，将之转换为相似度 输出相似度最大的曲线；其中dist为欧式距离；步骤9、使用周平均负荷对应时刻的值跟最相似曲线的乘积作为预测负荷，将预测负荷追加到历史数据库中，预测负荷参与每一次的预测数据合并；步骤10、判断循环迭代次数是否达到48次，若循环迭代次数未达到48次则执行步骤7至步骤9，直至循环迭代次数达到48次；若循环迭代次数达到48次，则执行步骤11；步骤11、将预测负荷合并，读入前一日的预测误差，根据前一日的预测误差进行修正，并将修正后的24小时预测负荷进行卡尔曼滤波平滑处理；其中修正的具体方式为前一日的预测误差与对应预测时刻的预测值之和；步骤12、输出预测负荷和实际负荷的误差：F error(i) ＝F pra -F forecast上式中，F pra 为预测负荷；步骤13、将预测负荷F pra 写入数据库，用于软件绘图展示。
2.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法，其特征在于：步骤2中数据库为PI数据库；步骤2选取的历史数据包括时间、降水、气压、风速、气温和湿度数据。
3.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法，其特征在于：步骤3中的数据预处理包括缺失值填充，缺失值填充具体为将历史数据中负荷值小于0MW的值替换为0MW。
4.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法，其特征在于：步骤5中的气象数据包括气温、气压、风温、湿度和降水数据。
5.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法，其特征在于，步骤7中相似时刻数据为预测时刻所在日的前一年同期、预测时刻所在日前一年同期前后各10天的历史数据和预测时刻所在日的前7天的历史数据，历史数据包括负荷、降水、气压、风速、气温、湿度数据；步骤7具体为：根据当前的预测时刻T now 获取相似前一年同期的历史数据、前一年同期前后各10天的历史数据和预测时刻所在日期前7天历史负荷数据；步骤7具体包括以下步骤：步骤7.1、从历史数据中搜索出历史中21天数据，组成相似数据矩阵F year ：上式中，矩阵F year 中6列分别表示机组负荷和5类气象数据，5类气象数据包括降水、气压、风速、气温和湿度数据；21行代表的是去年同期及去年同期前后各10天总共21天的机组负荷和气象数据；步骤7.2、根据相似性原理，从历史数据中搜索出前7天数据，组成相似数据矩阵F week ：矩阵F week 中6列分别表示机组负荷和5类气象数据；7行代表的是预测时刻前一周共7天的机组负荷和5类气象数据。
6.根据权利要求1或5所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法，其特征在于，步骤8具体包括如下步骤：步骤8.1、引入权重因子VIM m ，将每一个特征的权重因子添加到特征上计算出相似矩阵B：上式中，d(x i ,y j )为两个做相似性比较的时序序列各点之间的欧式距离，其中i为1至 m 之间的正整数，j为1至n之间的正整数；步骤8.2、根据相似性矩阵B计算相似度 相似度数值最大的曲线S(t j )为最相似曲线S(t j )：S(t j )＝[s j1 ,s j2 ,...s jn ]上式中，s j1 ,s j2 ,...s jn 表示时刻t j 的相似日负荷曲线由n个相似度数据组成。
7.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法，其特征在于，步骤11具体包括如下步骤：步骤11.1、将每一预测的数据进行合并，组合成完整的负荷预测负荷矩阵F forecast '：F forecast '＝[u1,u2,...u97] T上式中，u 1 ,u 2 ,...u 97 表示24小时每一刻钟取一个预测负荷，加上收尾合计97个数据点；步骤11.2、引入前一日预测的误差F error(i-1) ：F error(i-1) ＝[s j-11 ,s j-12 ,...s j-1n ]将对应时刻的F error(i-1) 到预测负荷上F forecast ＝F forecast '+F error(i-1)上式中，F forecast 为实际预测负荷值，F forecast '为预估值，F error(i-1) 为前一日预测负荷与实际负荷的偏差值；s j1 ,s j2 ,...s jn 表示时刻t j 的相似日负荷曲线由n个相似度数据组成(欧式距离dist越小相似度越高)；u 1 ,u 2 ,...u 97 表示24小时的每一刻钟选取一个数据，加上收尾合计97个数据点；步骤11.3、根据卡尔曼滤波原理，对预测负荷进行滤波平滑处理：上式中，x k 、x k-1 分别是k时刻、k-1时刻的系统状态，u k 是k时刻对系统的控制量，w k 是过程噪声，A和B是系统参数。
