1.一种计及光伏的配电网短期负荷预测方法，其特征在于，包括：
S1：对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
S2：通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
S3：通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
2.根据权利要求1所述的计及光伏的配电网短期负荷预测方法，其特征在于，所述步骤S1具体包括：
获取分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)和i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重λ1，对i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)通过第一预置公式进行加权平均处理，得到分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)；
获取分布式光伏和电网负荷构成的净负荷功率数据的不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)、t时刻的阈值θ(t)，若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)大于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)小于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差。
3.根据权利要求2所述的计及光伏的配电网短期负荷预测方法，其特征在于，所述第一预置公式为：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中Pi(d,t)为分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据，Pi(d1,t)、Pi(d2,t)分别为离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据和i节点第d2天t时刻的净负荷功率数据，λ1为i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重。
4.根据权利要求3所述的计及光伏的配电网短期负荷预测方法，其特征在于，所述步骤S3具体包括：
S31：接收预定的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过预定的相似度阈值选择各个聚类负荷功率数据的相似日；
S32：接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与各相似日的后三天的功率数据的平均绝对百分比误差；
S33：通过预定的规则调整预定的相似度阈值和支持向量机参数，获取新的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过新的相似度阈值选择各个聚类负荷功率数据的相似日，接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与通过新的相似度阈值选择各个聚类负荷功率数据的各相似日的后三天的功率数据的新的平均绝对百分比误差进行循环更新所述平均绝对百分比误差；
S34：判断更新的平均绝对百分比误差是否低于预定值，若是，则结束循环，获取低于预定值的平均绝对百分比误差对应的相似度阈值和支持向量机参数，若否，则继续判断循环次数是否达到预置次数，若循环次数达到预置次数，则结束循环，获取最小的平均绝对百分比误差对应的相似度阈值和支持向量机参数，若循环次数没有达到预置次数，则继续进行循环更新平均绝对百分比误差；
S35：通过获取的相似度阈值和支持向量机参数的支持向量机模型分别对各个聚类负荷功率数据进行负荷预测，将各个聚类负荷功率数据的负荷预测结果进行叠加。
5.根据权利要求4所述的计及光伏的配电网短期负荷预测方法，其特征在于，所述步骤S3之后还包括：
S4：判断叠加后的各个聚类负荷功率数据的负荷预测结果精度是否满足预定的条件，若是，则获得各个聚类负荷功率数据未来三天的预测功率数据，若否，则通过改变循环次数的预置次数和聚类负荷的个数进行更新支持向量机模型，直至叠加后的各个聚类负荷功率数据的负荷预测结果精度满足预定的条件。
6.一种计及光伏的配电网短期负荷预测装置，其特征在于，包括：
预处理单元，用于对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
划分单元，用于通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
预测单元，用于通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
7.根据权利要求6所述的计及光伏的配电网短期负荷预测装置，其特征在于，所述预处理单元具体包括：
第一获取子单元，具体用于获取分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)和i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重λ1；
加权平均处理子单元，具体用于对i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)通过第一预置公式进行加权平均处理，得到分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)；
第二获取子单元，具体用于获取分布式光伏和电网负荷构成的净负荷功率数据的不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)、t时刻的阈值θ(t)；
第一赋值子单元，具体用于若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)大于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和；
第二赋值子单元，具体用于若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)小于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差。
8.根据权利要求7所述的计及光伏的配电网短期负荷预测装置，其特征在于，所述加权平均处理子单元的所述第一预置公式为：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中Pi(d,t)为分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据，Pi(d1,t)、Pi(d2,t)分别为离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据和i节点第d2天t时刻的净负荷功率数据，λ1为i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重。
9.根据权利要求8所述的计及光伏的配电网短期负荷预测装置，其特征在于，所述预测单元具体包括：
选择子单元，具体用于接收预定的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过预定的相似度阈值选择各个聚类负荷功率数据的相似日；
计算子单元，具体用于接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与各相似日的后三天的功率数据的平均绝对百分比误差；
第一循环更新子单元，具体用于通过预定的规则调整预定的相似度阈值和支持向量机参数，获取新的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过新的相似度阈值选择各个聚类负荷功率数据的相似日，接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与通过新的相似度阈值选择各个聚类负荷功率数据的各相似日的后三天的功率数据的新的平均绝对百分比误差进行循环更新所述平均绝对百分比误差；
第一判断子单元，具体用于判断更新的平均绝对百分比误差是否低于预定值；
第三获取子单元，具体用于若更新的平均绝对百分比误差低于预定值，则结束循环，获取低于预定值的平均绝对百分比误差对应的相似度阈值和支持向量机参数；
第二判断子单元，具体用于若更新的平均绝对百分比误差不低于预定值，则继续判断循环次数是否达到预置次数；
第四获取子单元，具体用于若循环次数达到预置次数，则结束循环，获取最小的平均绝对百分比误差对应的相似度阈值和支持向量机参数；
第二循环更新子单元，具体用于若循环次数没有达到预置次数，则继续进行循环更新平均绝对百分比误差；
叠加子单元，具体用于通过获取的相似度阈值和支持向量机参数的支持向量机模型分别对各个聚类负荷功率数据进行负荷预测，将各个聚类负荷功率数据的负荷预测结果进行叠加。
10.根据权利要求9所述的计及光伏的配电网短期负荷预测装置，其特征在于，还包括：
优化单元，用于判断叠加后的各个聚类负荷功率数据的负荷预测结果精度是否满足预定的条件，若是，则获得各个聚类负荷功率数据未来三天的预测功率数据，若否，则通过改变循环次数的预置次数和聚类负荷的个数进行更新支持向量机模型，直至叠加后的各个聚类负荷功率数据的负荷预测结果精度满足预定的条件。