1.一种基于模态傅里叶分解及改进Autoformer的短期电力负荷预测方法，其特征在于：该方法包括以下步骤：S1：利用斯皮尔曼相关系数法进行负荷与其他影响因素的相关性分析，筛选出关键影响因素；

S2：将完全自适应噪声集合经验模态分解CEEMDAN与快速傅里叶变换FFT结合，提出基于模态傅里叶联合分析法MFJA，实现原始电力负荷的分解；

S3：建立关键影响因素与负荷分量的负荷分量数据集；

S4：引入时间卷积网络TCN对Autoformer中自相关模块进行改进；所述S4包括以下步骤：

1）将查询矩阵Q和键矩阵K进行线性变换后，通过FFT得到频域表示，进行拼接得到频域特征Zf；

2）将值矩阵V进行线性变换得到V1；

3）将频域特征Zf通过逆傅里叶变换IFFT回到时域得到时域特征Zt；

4）对Zt、V1进行延时聚合，得到延时聚合后的时域特征Zg，Zc为拼接后的结果；

5）拼接后的特征通过TCN结构进行多尺度的特征提取，并通过线性层进行输出；

S5：针对各负荷分量数据集建立集成IAutoformer模型，并进行预测；

S6：融合各模型的预测值，输出最终预测结果。

2.根据权利要求1所述一种基于模态傅里叶分解及改进Autoformer的短期电力负荷预测方法，其特征在于：所述S1包括以下步骤：

1）通过电力负荷监测平台采集电力负荷数据；

2）通过气象平台获取温度、风速、降雨量和湿度的气象因素数据；

3）对采集数据进行缺失值处理、异常值处理、数据标准化和归一化；

4）采用独立编码对工作日和小时进行编码；

5）利用斯皮尔曼相关系数法对负荷数据及各影响因素进行相关性分析，筛选出与负荷相关的影响因素。

3.根据权利要求1所述一种基于模态傅里叶分解及改进Autoformer的短期电力负荷预测方法，其特征在于：所述模态傅里叶联合分析法，包括以下步骤：

1）将原始电力负荷序列输入完全自适应噪声集合经验模态分解模型中，获取不同频率的负荷分量；

2）利用快速傅里叶变换进行获取各分量的主频频率；

3）设置频率差异阀值Δf；

4）计算两两分量间的频率差异值，若差异值小于Δf，则将其融合优化；

5）最后输出新的负荷分量。

4.根据权利要求2所述一种基于模态傅里叶分解及改进Autoformer的短期电力负荷预测方法，其特征在于：所述S3具体步骤如下：根据所筛选出的关键影响因素与输出的负荷分量，分别建立各个负荷分量的负荷分量数据集。

5.根据权利要求4所述一种基于模态傅里叶分解及改进Autoformer的短期电力负荷预测方法，其特征在于：所述建立集成IAutoformer模型，包括以下步骤：

1）根据建立的负荷分量数据集，分别建立IAutoformer模型；

2）将负荷分量数据集划分为训练集与测试集；

3）进行各模型的训练并调参。

6.根据权利要求5所述一种基于模态傅里叶分解及改进Autoformer的短期电力负荷预测方法，其特征在于：融合各模型的预测值，输出最终预测结果，包括以下步骤：根据建立的集成IAutoformer模型，将划分出的测试集输入各模型中，针对各模型的预测输出值，进行融合得到最终输出预测结果。