1.一种基于差异化多模融合的负荷加权集成预测方法，其特征在于：包括以下步骤：
步骤一，原始数据包分割形成训练集{x(1)，x(2)，…x(k)，…x(n)}和测试集，选定待预测日d；
步骤二，考虑负荷的规律性和周期性，选用步骤一中分割形成的训练集，基于上周同日fwk、上月同日fmt、前三日负荷平均值相似日fav、天气相似日fwt(最高温、最低温、24点温度)4个状态相似日作为自变量进行待测日的相似日筛选，选择4个状态相似日负荷数据进行回归模型训练，得到预测月每日的负荷预测值fmr，训练公式如下：
fmr＝αfwk+βfmt+γfav+λfwt+η(1)
式中，α、β、γ、λ为该损失函数训练模型最小时的各个参数值，η为一个误差项(是个随机变量)，用来捕获除了4个状态相似日负荷数据之外任何对于fmr的影响；
步骤三，考虑负荷的波动性和随机性，对步骤二优化后训练集负荷数值进行统计，根据优化后训练集中n个时刻负荷值，n为大于3的正整数，选取合适的区间大小将负荷状态划分成n个状态，n个状态空间序列可表示为e＝[e1，e2，…，en]；
步骤四，综合考虑负荷预测的随机性，在步骤三新状态空间序列e＝[e1，e2，…，en]基础上，求解负荷马尔科夫概率转移矩阵，利用马尔科夫概率转移模型预测待预测日d在t时刻与(t+1)时刻的负荷预测值，即可实现基于回归-马尔科夫链的两级负荷预测，实现负荷预测精度提升；根据步骤三得到n个可能的状态，记pij为从状态ei转变为状态ej的状态转移概率，则概率转移矩阵为：
式中，
步骤五，以t时刻负荷值设定待预测日负荷初始状态ei，根据概率转移矩阵选取(t+1)时刻差值最大转移概率pij对应的状态ej，以此类推完成待预测日d日全部时刻的负荷预测，得到负荷预测曲线fmk；
步骤六，考虑负荷多样性，进行负荷特征量选取并量化，综合考虑日期属性p、天气属性q、温度属性s进行特征量{p(k)，…q(k)，…s(k)}选取并对非数据化特征量进行量化；
步骤七，选用步骤一中分割形成的训练集，为消除数量级不匹配的影响，将步骤六中选定特征量{p(k)，…q(k)，…s(k)}进行归一化处理作为神经网络负荷预测模型的输入变量，归一化处理转换公式如下：
式中，x0、xn分别表示归一化前后的值，xmin、xmax分别表示样本数据中的最小、最大值；
通过bp神经网络负荷预测处理后，对预测结果进行反归一化处理，从而可以还原原始数据的信息，反归一化转换公式为：
x0＝xn(xmax-xmin)+xmin(4)
步骤八，以步骤七获取的归一化数据为输入变量，构建bp神经网络负荷预测模型，对待预测日进行负荷曲线预测，得到预测结果fnn；
其中，bp神经网络由输入层、隐层和输出层组成，输入层为包含p、q、s三类数据的负荷特征样本；输出层有一个神经元，即负荷预测值fnn；隐层则根据输入层样本数量与输出层数量综合确定；
步骤九，将上述三种个体学习器的预测结果采用加权集成的组合策略，得到最终预测结果，
f＝afmk+bfmr+cfnn(5)
其中：a、b、c分别为前述三种负荷预测方法所占权重，a+b+c＝1，对于权重的选择，按均值进行分配，即a＝b＝c。
2.根据权利要求1所述的基于差异化多模融合的负荷加权集成预测方法，其特征在于：所述步骤二中的天气相似日是指以日最高温、日最低温和24点温度为依据近似日。
3.根据权利要求1所述的基于差异化多模融合的负荷加权集成预测方法，其特征在于：所述步骤三中n＝25，状态划分如下：
e1(0～0.5kw)，e2(0.5～1kw)，e3(1～1.5kw)，e4(1.5～2kw)，e5(2～2.5kw)，e6(2.5～3kw)，e7(3～3.5kw)，e8(3.5～4kw)，e9(4～4.5kw)，e10(4.5～5kw)，e11(5～5.5kw)，e12(5.5～6kw)，e13(6～6.5kw)为，e14(6.5～7kw)，e15(7～7.5kw)，e16(7.5～8kw)，e17(8～8.5kw)，e18(8.5～9kw)，e19(9～9.5kw)，e20(9.5～10kw)，e21(10～10.5kw)，e22(10.5～11kw)，e23(11～11.5kw)，e24(11.5～12kw)，e25(＞12kw)。
4.根据权利要求1所述的基于差异化多模融合的负荷加权集成预测方法，其特征在于：所述步骤六中，选取8个特征量包括[星期类型(星期一～星期日)、日期类型(节假日/工作日)、日最高温、日最低温、天气情况、前日负荷、前三日平均负荷、上周同日负荷，量化如下：
[星期一，星期二，星期三，星期四，星期五，星期六，星期日]＝[1，2，3，4，5，6，7]；
[工作日，节假日]＝[1，2]；
[晴天，阴天，多云，雨天，雪天，极端恶劣]＝[1，2，3，4，5，6]。