1.一种寒地综合能源电网的负荷预测方法，其特征在于，该方法包括以下步骤：获取寒地综合能源电网在预设时间段内每个时刻下的每种参考数据；其中，参考数据包含电量负荷数据；

根据预设时间段内预设的每个局部参考时间段内参考数据的分布情况，获取每个局部参考时间段的训练样本和每个训练样本的参考电量负荷数据；

通过AdaBoost算法对训练样本进行处理，根据每个基分类器中每个训练样本的训练电量负荷数据与参考电量负荷数据的相似情况、以及每种参考数据在每个基分类器中的特征分布情况，获取每个基分类器中每种参考数据的第一重要程度值；

根据相邻基分类器之间训练样本的权重的变化情况，筛选出基分类器匹配对；根据每个基分类器匹配对内每种参考数据的第一重要程度值的大小和相似情况，获取每种参考数据的最终重要程度值；

根据预设时间段内每个时刻下的每种参考数据和每种参考数据的最终重要程度值、以及下一相邻时刻下的电量负荷数据，对预测电量负荷数据的神经网络进行训练；通过训练好的预测电量负荷数据的神经网络，预测每个时刻的电量负荷数据；

所述最终重要程度值的获取方法为：

对于任一个基分类器匹配对，根据该基分类器匹配对中每种参考数据的第一重要程度值的大小和相似情况，获取该基分类器匹配对中每种参考数据的第二重要程度值；

对于任一种参考数据，将所有基分类器匹配对中该种参考数据的第二重要程度值的均值，作为该种参考数据的重要特征值；

将所述重要特征值归一化的结果，作为该种参考数据的最终重要程度值；

所述第二重要程度值的计算公式为：

；式中，为第k个基分类器匹配对中第a种参考数据的第二重要程度值；为第k个基分类器匹配对内第一个基分类器中第a种参考数据的第一重要程度值；为第k个基分类器匹配对内第二个基分类器中第a种参考数据的第一重要程度值；为和的方差；e为自然常数。

2.如权利要求1所述一种寒地综合能源电网的负荷预测方法，其特征在于，所述局部参考时间段的获取方法为：将预设时间段内的电量负荷数据拟合为电量负荷曲线，根据电量负荷曲线的波动情况将电量负荷曲线划分为局部曲线；

获取每个局部曲线中电量负荷数据的方差，作为对应局部曲线的第一方差；

当第一方差小于预设的波动阈值时，将对应局部曲线所对应的局部时间段作为局部参考时间段。

3.如权利要求1所述一种寒地综合能源电网的负荷预测方法，其特征在于，所述获取每个局部参考时间段的训练样本和每个训练样本的参考电量负荷数据的方法为：将每个局部参考时间段内每种参考数据的均值构建为一个数组，作为每个局部参考时间段的训练样本；

将每个训练样本所对应局部参考时间段内所有电量负荷数据的均值，作为每个训练样本的参考电量负荷数据。

4.如权利要求1所述一种寒地综合能源电网的负荷预测方法，其特征在于，所述第一重要程度值的获取方法为：对于任一基分类器，获取该基分类器中每个训练样本的训练电量负荷数据与参考电量负荷数据的差异，均作为第一差异；

获取大于预设的第一差异阈值的所有第一差异的数量，作为该基分类器的训练样本出错数量；

将所述训练样本出错数量与训练样本总数量的比值，作为该基分类器的错误率；

获取在该基分类器中每种参考数据作为分类特征的先后顺序并从小到大进行标号，确定该基分类器中每种参考数据的分类特征序号；

根据该基分类器中每种参考数据的分类特征序号和所述错误率，获取该基分类器中每种参考数据的第一重要程度值。

5.如权利要求4所述一种寒地综合能源电网的负荷预测方法，其特征在于，所述第一重要程度值的获取方法为：对于任一基分类器，该基分类器中每种参考数据的分类特征序号负相关且归一化的结果与该基分类器中对应参考数据的第一重要程度值为正相关关系；

该基分类器的错误率与该基分类器中每种参考数据的第一重要程度值为负相关关系。

6.如权利要求1所述一种寒地综合能源电网的负荷预测方法，其特征在于，所述基分类器匹配对的获取方法为：将每个基分类器中训练样本的权重均进行聚类，获得每个基分类器中的权重聚类簇；

将每个基分类器中每个训练样本的权重所属权重聚类簇的中心权重，作为每个基分类器中每个训练样本的参考权重；

获取任意相邻两个基分类器之间所有训练样本的参考权重差异的均值，作为对应相邻两个基分类器之间的权重变化率；当所述权重变化率大于预设的权重变化率阈值时，将对应相邻两个基分类器作为一个基分类器匹配对。

7.如权利要求6所述一种寒地综合能源电网的负荷预测方法，其特征在于，通过DBSCAN密度聚类算法将每个基分类器中训练样本的权重均进行聚类。

8.一种寒地综合能源电网的负荷预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现上述权利要求1-7任意一项所述一种寒地综合能源电网的负荷预测方法的步骤。