1.一种基于stacking算法的非节假日负荷预测方法，其特征在于：包括以下步骤：
s1、获取样本数据，包括电力系统用户短期负荷数据、气象数据和时间因素；
s2、对s1获得的样本数据，做数据预处理，包括缺失值处理和标准化处理；
s3、使用stacking算法对s2已经处理好的样本数据进行负荷预测建模；
s4、使用s3已经建好的模型对待预测点进行负荷预测；
s5、使用平均绝对误差比率和准确度来评估该负荷预测模型的性能。
2.根据权利要求1所述的一种基于stacking算法的非节假日负荷预测方法，其特征在于：s1中，获得的样本数据为：{(x1,y1),(x2,y2),…,(xn,yn)}，其中xi是第i个特征向量，yi是第i个负荷数据，n代表样本数据的个数，待预测点的特征数据为{xn+1,xn+2,...,xn+m}，m代表特征数据的个数，xi＝[xi1,xi2,...,xi10]，xi1,xi2,...,xi10分别为日最高温度、日平均温度、日最低温度、日降雨量、日相对湿度、日风速、日气象类型、月份类型、日期类型和时刻类型。
3.根据权利要求1所述的一种基于stacking算法的非节假日负荷预测方法，其特征在于：s2中使用的缺失值处理方法为：利用分段线性插值方法进行缺失值填充，在每个时间区间[ti,ti+1]上，用1阶多项式逼近f(t):
4.根据权利要求1所述的一种基于stacking算法的非节假日负荷预测方法，其特征在于：s2中使用的标准化处理方法为：
5.根据权利要求1所述的一种基于stacking算法的非节假日负荷预测方法，其特征在于：s3中具体包括以下步骤：
s31、将样本数据分为训练集train和测试集dev，待预测点的待预测输入集记为test，将训练集t随机分成5折：train1，train2，train3，train4，train5；
s32、建立初级学习器，得到次级学习器的输入，使用的初级学习器有：bp神经网络算法、随机森林算法、gbdt算法、支持向量机算法和岭回归算法，使用的次级学习器为：bp神经网络算法；
s33、使用新的训练集train训练次级学习器bp神经网络算法，得到最终的负荷预测模型m，并且得到训练集准确度，将测试集的数据dev代入模型m得到测试集的预测负荷。
6.根据权利要求5所述的一种基于stacking算法的非节假日负荷预测方法，其特征在于：s32具体包括如下步骤：
s321、首先建立初级模型：bp神经网络，
1)使用train2，train3，train4，train5组成的样本数据训练bp神经网络模型m11，用此模型测试train1，得到train1的预测负荷向量p11，用此模型m11测试测试集dev得到dev的预测负荷向量s11，再用此模型m11预测待预测输入集test得到待预测点的预测结果q11；
2)使用train1，train3，train4，train5组成的样本数据训练bp神经网络模型m12，用此模型测试train2，得到train2的预测负荷向量p12，用此模型m12测试测试集dev得到dev的预测负荷向量s12，再用此模型m12预测待预测输入集test得到待预测点的预测结果q12；
3)使用train1，train2，train4，train5组成的样本数据训练bp神经网络模型m13，用此模型测试train3，得到train3的预测负荷向量p13，用此模型m13测试测试集dev得到dev的预测负荷向量s13，再用此模型m13预测待预测输入集test得到待预测点的预测结果q13；
4)使用train1，train2，train3，train5组成的样本数据训练bp神经网络模型m14，用此模型测试train4，得到train4的预测负荷向量p14，用此模型m14测试测试集dev得到dev的预测负荷向量s14，再用此模型m14预测待预测输入集test得到待预测点的预测结果q14；
5)使用train1，train2，train3，train4组成的样本数据训练bp神经网络模型m15，用此模型测试train5，得到train5的预测负荷向量p15，用此模型m15测试测试集dev得到dev的预测负荷向量s15，再用此模型m15预测待预测输入集test得到待预测点的预测结果q15；
6)合并p11、p12、p13、p14和p15，得到p1，平均s11、s12、s13、s14和s15得到s1，平均q11、q12、q13、q14和q15，得到q1；s3.2.2、同理，可以训练随机森林模型得到p2、s2和q2，训练gbdt模型得到p3、s3和q3，训练支持向量机模型得到p4、s4和q4，训练岭回归模型得到p5、s5和q5；
s323、以p1、p2、p3、p4和p5组成5维的特征矩阵p，仍以原来的负荷数据作为预测目标，新的训练集仍记为train，以s1、s2、s3、s4和s5组成新的测试集的特征矩阵s，仍以原来的负荷数据作为预测目标，新的测试集仍记为dev，以q1、q2、q3、q4和q5组成待预测点的特征输入向量仍记为test。
7.根据权利要求1所述的一种基于stacking算法的非节假日负荷预测方法，其特征在于：s4中方法是将待预测点的输入数据test代入模型m得到待预测点的负荷。
8.根据权利要求1所述的一种基于stacking算法的非节假日负荷预测方法，其特征在于：s5中使用的平均绝对误差比率公式为：