1.一种地区电网短期负荷预测方法，其特征在于，包括：

获取历史日的多元特征信息数据以及待测日的气象预测播报信息；所述历史日的多元特征信息数据包括：历史日的96点负荷、日期类型以及历史日的细粒度气象；所述日期类型包括：工作日、周末以及节假日；所述历史日的细粒度气象数据包括：细粒度实时温度、湿度以及风速数据；所述待测日的气象预测播报信息通过网络爬取获得；所述待测日的气象预测播报信息包括：当日最高、最低温度，当日最高、最低湿度、风向、风速、空气质量、降水量和天气状况；

对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理；所述预处理包括：缺失值补全、异常值修正、候均温法滑动划分四季、LabelEncorder编码处理、标准化处理以及综合气象指数计算；

根据预处理后的待测日的气象预测播报信息和预处理后的历史日的多元特征信息数据，采用灰色关联度算法确定气象历史相似日；所述气象历史相似日为与所述待测日的多类粗粒度日特征气象数据关联度最高的前三类历史日；

根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列；

根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据，采用基于MIC赋权的加权灰色关联度算法，确定负荷相似日；

根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列；

根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据，基于深度学习，确定训练好的短期负荷预测模型；所述训练好的短期负荷预测模型以细粒度气象数据或细粒度气象序列为输入，以各个时间点的负荷为输出；

获取未来日的气象预测播报信息，并对所述未来日的气象预测播报信息进行预处理；

根据预处理后的气象预测播报信息，确定所述未来日对应的虚拟气象相似日的细粒度气象序列；并根据所述未来日对应的虚拟气象相似日的细粒度气象序列，采用训练好的短期负荷预测模型，确定未来日各个时间点的负荷；

所述根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据，采用基于MIC赋权的加权灰色关联度算法，确定负荷相似日，具体包括：利用公式 确定负荷与气象特征之间的非线性关联程度；

利用公式 确定灰色关联度第k个实时气象特征fk所匹配的权重；

利用公式 确定两个特征量序列加权灰色关联度；

其中， p(l,f)为日负荷序列l和实时气象特征f之间的

联合概率，p(l)为日负荷序列l的概率，p(f)为实时气象特征f的概率，a,b是l,f方向上划分的区间数，B为变量，wk为第k个实时气象特征fk所匹配的权重，γ(yi,yi‑b)为yi和yi‑b两个特征量序列加权灰色关联度，ξi‑b(k)为每个特征因子对应的灰色关联系数。

2.根据权利要求1所述的一种地区电网短期负荷预测方法，其特征在于，所述对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理，具体包括：对历史日的多元特征信息数据以及待测日的气象预测播报信息进行缺失值补全和异常值修正；

对处理的历史日的多元特征信息数据以及待测日的气象预测播报信息，采用候均温法滑动划分春、夏、秋以及冬四季，得到划分后的数据；

根据所述划分后的数据，采用LabelEncorder编码函数将相互独立的类别标签转换为运算的单个数字；

对转换后的数据进行归一化处理；

根据归一化处理后的数据进行综合气象指数计算。

3.根据权利要求1所述的一种地区电网短期负荷预测方法，其特征在于，所述根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列，具体包括：根据气象历史相似日对应的关联度确定气象历史相似日对应的权重；

根据不同气象历史相似日对应权重对相应的历史日的多元特征信息数据进行加权组合，确定待测日对应的虚拟气象相似日的细粒度气象序列。

4.根据权利要求1所述的一种地区电网短期负荷预测方法，其特征在于，所述根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列，之后还包括：提取虚拟负荷相似日对应的细粒度气象序列；

根据灰色关联度算法分别计算虚拟负荷相似日的细粒度气象序列与待测日的细粒度气象序列之间的关联度以及关联度最大的负荷相似日的细粒度气象序列与待测日的细粒度气象序列之间的关联度；

判断两者关联度大小；

若虚拟负荷相似日的细粒度气象序列的关联度大，则依旧保留该日的负荷为虚拟负荷相似日的负荷；反之，则替换为关联度最大的负荷相似日的负荷。

5.根据权利要求1所述的一种地区电网短期负荷预测方法，其特征在于，所述根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据，基于深度学习，确定训练好的短期负荷预测模型，具体包括：将根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据构成的数据集按照设定比例分为训练集和验证集；

采用滑动窗口的方法从训练集和验证集中构建出短期负荷预测模型的输入与输出。

6.根据权利要求1所述的一种地区电网短期负荷预测方法，其特征在于，所述根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据，基于深度学习，确定训练好的短期负荷预测模型，之前还包括：根据卷积神经网络CNN、门控循环单元GRU以及时间注意力机制构建短期负荷预测模型。

7.一种地区电网短期负荷预测系统，其特征在于，包括：

数据获取模块，用于获取历史日的多元特征信息数据以及待测日的气象预测播报信息；所述历史日的多元特征信息数据包括：历史日的96点负荷、日期类型以及历史日的细粒度气象；所述日期类型包括：工作日、周末以及节假日；所述历史日的细粒度气象数据包括：细粒度实时温度、湿度以及风速数据；所述待测日的气象预测播报信息通过网络爬取获得；

所述待测日的气象预测播报信息包括：当日最高、最低温度，当日最高、最低湿度、风向、风速、空气质量、降水量和天气状况；

预处理模块，用于对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理；所述预处理包括：缺失值补全、异常值修正、候均温法滑动划分四季、LabelEncorder编码处理、标准化处理以及综合气象指数计算；

气象历史相似日确定模块，用于根据预处理后的待测日的气象预测播报信息和预处理后的历史日的多元特征信息数据，采用灰色关联度算法确定气象历史相似日；所述气象历史相似日为与所述待测日的多类粗粒度日特征气象数据关联度最高的前三类历史日；

虚拟气象相似日的细粒度气象序列确定模块，用于根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列；

负荷相似日确定模块，用于根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据，采用基于MIC赋权的加权灰色关联度算法，确定负荷相似日；利用公式 确定负荷与气象特征之间的非线性关联程度；利用公式 确定灰色关联度第k个实时气象特征fk所匹配的权重；利

用公式 确定两个特征量序列加权灰色关联度；其中，

p(l,f)为日负荷序列l和实时气象特征f之间的联合概率，p

(l)为日负荷序列l的概率，p(f)为实时气象特征f的概率，a,b是l,f方向上划分的区间数，B为变量，wk为第k个实时气象特征fk所匹配的权重，γ(yi,yi‑b)为yi和yi‑b两个特征量序列加权灰色关联度，ξi‑b(k)为每个特征因子对应的灰色关联系数；

虚拟负荷相似日的负荷序列确定模块，用于根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列；

训练好的短期负荷预测模型确定模块，用于根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据，基于深度学习，确定训练好的短期负荷预测模型；所述训练好的短期负荷预测模型以细粒度气象数据或细粒度气象序列为输入，以各个时间点的负荷为输出；

数据获取与预处理模块，用于获取未来日的气象预测播报信息，并对所述未来日的气象预测播报信息进行预处理；

预测模块，用于根据预处理后的气象预测播报信息，确定所述未来日对应的虚拟气象相似日的细粒度气象序列；并根据所述未来日对应的虚拟气象相似日的细粒度气象序列，采用训练好的短期负荷预测模型，确定未来日各个时间点的负荷。