1.一种售电公司的春节期间售电量预测方法，其特征在于，所述方法包括以下步骤：S1：选取待预测年前一年春节前后的售电量数据作为历史数据集，根据其负荷水平标记出春节前企业从开始减少生产量到完全停产及春节后企业从逐渐开始生产到完全恢复正常生产水平的日期，将其作为历史的开停工信息放入历史数据集中；

S2：采用拉格朗日插值法将历史用电量数据由离散点拟合为用电量曲线；

S3：选取与预测年数据关联度最高的年份作为历史用电量拟合曲线；

S4：获取待预测年用户的开停工信息，将其与所拟合出的历史用电量曲线相互匹配，再由相互之间的比例关系得到该用户预测年的开停工期间用电量预测结果；

S5：对春节期间处于非开停工日期的用电量采用鲁棒极限学习机进行预测；

S6：将各个用户的用电量结果进行叠加得到最终的售电公司售电量预测结果；

S1包括：

S1.1：选取预测年前一年的售电公司所有用户的春节前后一个月的历史用电量数据，根据其用电量变化水平标记出用户开始减少生产至完全停止生产及开始恢复生产至完全恢复正常生产的日期记为T1,T2,…,Tn；n为日期；

S1.2：截取T1至Tn所对应的以小时为单位的用电量数据并将其记为历史数据集其中，Ln1为第n天第一小时的用电量数据，Ln24为第n天第24小时的用电量数据；

S4包括：

S4.1：根据历史用电量拟合曲线得到预测值；设预测日为第x天，公式如下：L(X)为历史日日历史用电量，L'(X)为预测日预测用电量；

S4.2：将S4.1中的公式变形，得到预测值

2.根据权利要求1所述的售电公司的春节期间售电量预测方法，其特征在于，S2包括：S2.1：将历史数据集L按每天同一时间的数据点为一组数据分为L1,L2,...,L24；

S2.2：对每组数据分别进行最值归一化处理，最值归一化处理公式如下：其中，Lmin为历史数据集最小值，Lmax为历史数据集最大值；Lscale为归一化后数据；

则第e个用户的用电量数据点集为(t1,Le1),(t2,Le2),...,(t24,Le24)；

S2.3：将所得到的n组数据应用拉格朗日插值拟合为n条历史用电量拟合曲线；

S2.4：应用拉格朗日插值公式所得到的拉格朗日插值多项式为：其中，t为小时数，Let为第t时间点的用电量，ft(x)为拉格朗日基本多项式。

3.根据权利要求1所述的售电公司的春节期间售电量预测方法，其特征在于，S5包括：S5.1：取不属于T1,T2,...,Tn的日期的历史日用电量数据集记为yi；

S5.2：设定鲁棒极限学习机的隐含层个数为L，激活函数的模型为：T

式中wi＝[wi1,wi2,...,win]为隐含层第x个神经元随机生成的权值，bi为隐含层i个神经元随机生成的阈值，βi为连接隐含层和输出层神经元的权重，win为输入权重；

N个激活函数的模型可组成个线性系统：Hβ＝y

式中，

T

β＝[β1,β2,...,βL]

T

y＝[y1,y2,...,yN]

H为隐层节点的输出，由于H为非方阵，所以β可能无解；

解决问题的方法为寻找β的最小二乘解 根据压缩感知以及鲁棒性分析，将式中训练误差e的二范数替换为一范数，即其中e＝y‑Hβ，C为正则化参数；

S5.3：通过增广拉格朗日乘子法转换上述问题为约束优化问题；

增广拉格朗日函数式为：

式中μ＝2N/||y||1；

S5.4：通过以下迭代方程解决S5.3中的优化问题：式中v为迭代次数；

S5.5：将步骤S5.4中解得的β值带入式 中，输入预测用历史负荷数据，即可得预测结果；

S5.6：将步骤S4.2得到的预测结果与步骤S5.5得到的结果拼接后可得到该用户的春节期间用电量预测结果。