1.一种短期负荷预测方法，其特征在于，所述方法包括：获取网供负荷中各负荷成分的负荷预测模型；利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值；获取网供负荷预测模型；以所述各负荷成分的预测值为所述网供负荷预测模型的输入，获取网供负荷的预测值；所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第三负荷预测模型；所述建立第三负荷预测模型，包括：步骤1：当所述网供负荷中各负荷成分为10kV公专线负荷时，采集历史时间段内10kV公专线中各线路的历史负荷数据和历史负荷影响因素数据；步骤2：令所述历史时间段内10kV公专线中各线路的历史负荷数据为基础数据，并利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线；步骤3：令簇类中心K＝1；步骤4：利用K-means聚类算法对所述10kV公专线各线路的典型负荷曲线进行聚类，得到聚类结果；步骤5：判断簇类中心K是否大于等于M，若K大于等于M，则执行步骤6；若K小于M，则令K＝K+1，并返回步骤4；其中，M为预设值，且M为正整数；步骤6：利用手肘法获取最优簇类中心，并以最优簇类中心对应的聚类结果为最终聚类结果；步骤7：利用相关性方法，计算最优聚类结果中各个簇类对应的10kV公专线的历史负荷数据和历史负荷影响因素数据中各类影响因素数据之间的相关性结果，并对所有相关性结果进行排序，令排名前三的相关性结果对应的某类影响因素即为该簇类的主要影响因素；步骤8：以所述聚类结果中各个簇类对应的历史负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以所述聚类结果中各个簇类对应的10kV公专线的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取各类影响因素的第三负荷预测模型，即各个簇类的第三负荷预测模型；所述步骤1中采集历史时间段内10kV公专线中各线路的历史负荷数据，包括：对历史时间段内10kV公专线中存在转供关系的线路的历史负荷数据进行组合，得到组合数据；历史时间段内10kV公专线中不存在转供关系的线路的历史负荷数据与所述组合数据，构成所述历史时间段内10kV公专线中各线路的历史负荷数据；所述步骤2中利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线，包括：步骤21：当所述基础数据中的某条数据存在某个时刻点的负荷值为0时，去掉该条数据，得到预处理后的基础数据；其中，历史时间段内10kV公专线中各个线路每天的历史负荷数据为一条数据；步骤22：利用所述预处理后的基础数据，计算10kV公专线中各个线路的各个时刻点的平均负荷，并利用所述10kV公专线中各个线路的各个时刻点的平均负荷生成各个线路的初始负荷曲线；步骤23：利用所述预处理后的基础数据，生成历史时间段内10kV公专线中各个线路每天的日负荷曲线；步骤24：计算所述历史时间段内10kV公专线中各个线路每天的日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率；当存在日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率大于预设的各个时刻点的偏差率阈值时，剔除该日负荷曲线，得到所述10kV公专线各线路的典型负荷曲线。
2.根据权利要求1所述的方法，其特征在于，所述各负荷成分包括：35kV及以上的电力大用户负荷数据、地方电厂出力负荷数据和10kV公专线负荷数据。
3.根据权利要求1所述的方法，其特征在于，所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第一负荷预测模型；所述建立第一负荷预测模型，包括：当所述负荷成分为35kV及以上的电力大用户负荷时，采集历史时间段内35kV及以上的电力大用户的历史负荷数据和历史的负荷影响因素数据；以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内35kV及以上的电力大用户的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第一负荷预测模型。
4.根据权利要求1所述的方法，其特征在于，所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第二负荷预测模型；所述建立第二负荷预测模型，包括：当所述负荷成分为地方电厂出力负荷时，采集历史时间段内地方电厂出力的历史负荷数据和历史的负荷影响因素数据；以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内地方电厂出力的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第二负荷预测模型。
5.根据权利要求1所述的方法，其特征在于，所述利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值，包括：以待预测的未来时间的负荷影响因素数据为所述各负荷成分的负荷预测模型的输入，获取所述各负荷成分的预测值。
6.根据权利要求1所述的方法，其特征在于，所述获取网供负荷预测模型，包括：采集历史时间段内各负荷成分的历史负荷数据和所述网供负荷的历史负荷数据；以所述历史时间段内各负荷成分的历史负荷数据为PSO-LSSVM模型的输入层训练样本，以所述历史时间段内网供负荷的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取所述网供负荷预测模型。
7.一种短期负荷预测装置，其特征在于，所述装置包括：第一获取模块，用于获取网供负荷中各负荷成分的负荷预测模型；所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第三负荷预测模型；所述建立第三负荷预测模型，包括：步骤1：当所述网供负荷中各负荷成分为10kV公专线负荷时，采集历史时间段内10kV公专线中各线路的历史负荷数据和历史负荷影响因素数据；步骤2：令所述历史时间段内10kV公专线中各线路的历史负荷数据为基础数据，并利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线；步骤3：令簇类中心K＝1；步骤4：利用K-means聚类算法对所述10kV公专线各线路的典型负荷曲线进行聚类，得到聚类结果；步骤5：判断簇类中心K是否大于等于M，若K大于等于M，则执行步骤6；若K小于M，则令K＝K+1，并返回步骤4；其中，M为预设值，且M为正整数；步骤6：利用手肘法获取最优簇类中心，并以最优簇类中心对应的聚类结果为最终聚类结果；步骤7：利用相关性方法，计算最优聚类结果中各个簇类对应的10kV公专线的历史负荷数据和历史负荷影响因素数据中各类影响因素数据之间的相关性结果，并对所有相关性结果进行排序，令排名前三的相关性结果对应的某类影响因素即为该簇类的主要影响因素；步骤8：以所述聚类结果中各个簇类对应的历史负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以所述聚类结果中各个簇类对应的10kV公专线的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取各类影响因素的第三负荷预测模型，即各个簇类的第三负荷预测模型；所述步骤1中采集历史时间段内10kV公专线中各线路的历史负荷数据，包括：对历史时间段内10kV公专线中存在转供关系的线路的历史负荷数据进行组合，得到组合数据；历史时间段内10kV公专线中不存在转供关系的线路的历史负荷数据与所述组合数据，构成所述历史时间段内10kV公专线中各线路的历史负荷数据；所述步骤2中利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线，包括：步骤21：当所述基础数据中的某条数据存在某个时刻点的负荷值为0时，去掉该条数据，得到预处理后的基础数据；其中，历史时间段内10kV公专线中各个线路每天的历史负荷数据为一条数据；步骤22：利用所述预处理后的基础数据，计算10kV公专线中各个线路的各个时刻点的平均负荷，并利用所述10kV公专线中各个线路的各个时刻点的平均负荷生成各个线路的初始负荷曲线；步骤23：利用所述预处理后的基础数据，生成历史时间段内10kV公专线中各个线路每天的日负荷曲线；步骤24：计算所述历史时间段内10kV公专线中各个线路每天的日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率；当存在日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率大于预设的各个时刻点的偏差率阈值时，剔除该日负荷曲线，得到所述10kV公专线各线路的典型负荷曲线；第二获取模块，用于利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值；第三获取模块，用于获取网供负荷预测模型；第四获取模块，用于以所述各负荷成分的预测值为所述网供负荷预测模型的输入，获取网供负荷的预测值。
