1.一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法，其特征在于，所述方法包括以下步骤：

1)历史负荷数据预处理，补全在信号传输中丢失的数据；

2)选定数据匹配周期，计算当前的负荷时间序列与历史负荷时间系列的曼哈顿距离，得到曼哈顿距离小于设定阈值的集合；

3)计算该集合内历史负荷时间系列与当前负荷时间序列的欧氏距离，得到欧氏距离最小的历史时间序列在对应预测点的负荷值；

4)基于步骤2)中的到的时间序列集合采用无迹卡尔曼滤波方法求出预测时刻的负荷值；

5)将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入，采用神经网络算法进行训练，得到当前两个预测值的权重；

6)数据整理，得出微电网下一时刻日常负荷短期预测结果。

2.如权利要求1所述的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法，其特征在于，所述步骤1)为历史负荷数据预处理，使用牛顿插值法补全在信号传输中丢失的数据。

3.如权利要求1或2所述的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法，其特征在于，所述步骤2)为，设当前采样时间序列为xi，当前时刻为T，数据的采样周期为Δt，根据实际需求取nΔt为数据匹配的周期，计算当前的负荷时间序列xi与历史同期负荷时间序列yi对应点的曼哈顿距离：得到曼哈顿距离小于设定阈值ε的时间序列集合C1。

4.如权利要求3所述的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法，其特征在于，所述步骤3)为步骤2)中得到的曼哈顿距离小于设定阈值的集合C1内历史负荷时间系列与当前负荷时间序列的欧氏距离Deuc：并由此得到欧氏距离最小的历史时间序列在对应预测点的负荷值L1。

5.如权利要求3所述的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法，其特征在于，所述步骤4)为基于步骤2)中得到的时间序列集合C1采用无迹卡尔曼滤波方法求出预测点的负荷值L2，其求解步骤为：(a)基于步骤2)中得到的时间序列集合建立无迹卡尔曼滤波预测模型；

(b)采用基于对称分布采样法的无迹变换获取一组Sigma点集并求出其权值，同时计算系统状态向量的一步预测值和协方差矩阵；

(c)利用步骤(b)得到的一步预测值，采用基于对称分布采样法的无迹变换获取新的Sigma点集，将该Sigma点集代入观测方程求出预测的观测值，根据预测的观测值求出系统预测的均值和协方差；

(d)利用步骤(c)得到的系统预测协方差求出系统的卡尔曼增益矩阵，再结合预测的观测值可求出系统状态预测量即微电网负荷下一时刻的预测值L2。

6.如权利要求5所述的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法，其特征在于，所述步骤5)为将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入，采用神经网络算法进行训练，得到当前两个预测值的权重k1和k2，其中k1和k2满足条件k1+k2＝1，第一次计算时，k1和k2取权重均为0.5。

7.如权利要求6所述的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法，其特征在于，所述步骤6)为数据整理，将步骤3)和步骤4)得出的预测值按照步骤

5)所得权重k1和k2进行分配，得出下一时刻微电网日常负荷短期预测结果为L＝k1L1+k2L2。