1.一种基于梯度提升决策树的短期负荷预测方法，其特征是：包括以下步骤：获取待预测日前N天的历史负荷数据，形成原始数据集A 0 ；从原始数据集A 0 中筛选出构建训练样本的数据集B；利用数据集B构造GBDT预测模型所需的全部样本集(X，Y)；由全部样本集(X，Y)训练构造全天GBDT预测模型，根据全天GBDT预测模型预测待预测日的全天负荷向量；将全部样本集(X，Y)按小时分割为24个样本子集，并分别训练构造小时GBDT预测模型，根据小时GBDT预测模型预测待预测日的24小时负荷向量；结合全天负荷向量和24小时负荷向量，预测待预测日的最终负荷向量，所述待预测日的最终负荷向量final_pred＝[pred 0 ，pred 1 ，...，pred 23 ]，式中 所述predi为最终确定的第i时预测负荷，hourload i 为小时GBDT预测模型得到的i时预测负荷，dayload i 为全天GBDT预测模型得到的i时预测负荷，min()表示取括号中二者值小的一个，max()表示取括号中二者值较大的一个。
2.根据权利要求1所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述原始数据集A 0 中，每天的数据作为一个原始数据样本，每个样本中，将当天每小时的负荷数据和时间数据分别作为数据点。
3.根据权利要求2所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述从原始数据集A 0 中筛选出构建训练样本的数据集B的具体过程为：从原始数据集A 0 中筛选出与待预测日的日期类型相同的数据集，记为A 1 ；根据正常数据点的判定条件，过滤A 1 中的异常数据，并统计A 0 中正常负荷点的个数，将正常负荷点的个数大于设定值的样本加入正常数据集A 2 ；从A 2 中筛选出与待预测日相似的M天，记为数据集B。
4.根据权利要求3所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述从A 2 中筛选出与待预测日相似的M天的具体过程为：以待预测日前一天负荷数据向量与A 2 中所有样本负荷数据向量的欧式距离r d 作为相似度的度量，相似度最大的M天数据加入数据集B，M的取值公式为M＝min(30，[P*0.7])，式中，P为数据集A 2 的样本个数，[]表示向下取整数，min()表示取括号中二者值之间较小的一个。
5.根据权利要求4所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述全部样本集(X，Y)为(X，Y)＝{(x j，i ，y j，i )|i＝0，1，2，...，23；j＝1，2，...，M}式中x j，i 表示由数据集B中第j个样本i时的负荷数据点构造出的训练输入特征向量x j，i ，y j，i 表示数据集B中第j个样本i时的负荷值，构造为对应训练样本的响应值。
6.根据权利要求5所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述全天GBDT预测模型由L＝1000棵深度为3的最小二乘回归树组成，将训练第m棵数得到的模型记为T m (x)，训练第m棵最小二乘回归树模型T m (x)的具体过程为：(a)计算前m-1棵树综合预测模型的针对所有训练样本x j，i 得到的预测值f m-1 (x j，i )，(b)计算前m-1棵树得到的预测值与真实值的残差residual m，j，i ，所有的残差residual m，j，i 构成新的训练样本响应集，即R m ＝{residual m，j，i |i＝0，1，2，...，23；j＝1，2，...，M}(c)将训练样本特征集X与训练样本响应集R m 共同构成新的训练数据集(X，R m )，由(X，R m )训练一棵深度为3的最小二乘回归树T′ m (x)；利用公式T m (x)＝λ*T′ m (x)计算，得到最终的第m棵树的模型T m (x)，按照步骤(a)-(d)，训练第1至L棵树，得到全天GBDT预测模型f_day(x)。
7.根据权利要求6所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：将待预测日的负荷向量记为day_pred＝[dayload 0 ，dayload 1 ，...，dayload 23 ]，所述根据全天GBDT预测模型预测待预测日的全天负荷向量的具体过程为：初始化预测时刻i＝0；构建i时待预测负荷的特征向量x i ；递归预测i时的负荷dayload i ，构成特征向量x i ，其中i的取值为0～23的整数。
8.根据权利要求7所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：从样本集(X，Y)中取出所有由i时的负荷点得到的样本(x j，i ，y j，i )，构成i时的训练样本子集(X i ，Y i )，所述小时GBDT预测模型由L＝500棵深度为3的最小二乘回归树组成。
9.根据权利要求8所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述根据小时GBDT预测模型预测待预测日的24小时负荷向量的具体过程为：初始化预测时刻i＝0；构建i时带预测负荷的特征向量y i ；递归预测i时的负荷hourload i ，构成特征向量y i ，其中i的取值为0～23的整数。
