1.基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，其特征在于，包括以下步骤：步骤1：选取影响T时刻空调冷负荷的输入变量，所述输入变量包括T时刻的室外空气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻的室外风速和T时刻之前的空调冷负荷，利用关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性，剔除关联度低于0.8的输入变量，保留剩余输入变量；

步骤2：根据步骤1中保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网络；

步骤3：利用模拟退火算法优化步骤2建立的BP神经网络；

步骤4：利用步骤3中优化后的BP神经网络进行负荷预测，得到预测值。

2.根据权利要求1所述的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，其特征在于，所述步骤1中，采用灰色关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性。

3.根据权利要求1所述的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，其特征在于，所述步骤2中，BP神经网络的结构包括输入层、隐藏层和输出层，其中，根据保留的输入变量的个数以及T时刻空调冷负荷确定BP神经网络的输入层神经元个数I和输出层神经元个数O，根据输入层神经元个数I和输出层神经元个数O确定隐藏层神经元个数H。

4.根据权利要求3所述的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，其特征在于，隐藏层神经元个数H通过以下公式确定：H＝(I+O)1/2+Z。

5.根据权利要求1所述的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，其特征在于，所述步骤3具体包括：步骤31：设置模拟退火算法的初始温度、终止温度、温度下降方式和随机扰动机制；

步骤32：设置BP神经网络的初始权值和初始阈值，对BP神经网络进行梯度下降训练直至收敛，得到一系列权值和阈值作为模拟退火算法的初始解向量；

步骤33：给出随机扰动，随着温度下降更新权值和阈值；

步骤34：判断温度是否下降到终止温度，如果下降到终止温度，则终止训练过程，将更新后的权值和阈值作为BP神经网络的权值和阈值；否则，执行步骤33。

6.根据权利要求1至5任一项所述的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，其特征在于，所述步骤1中，所述输入变量包括T时刻的室外空气温度、T-1时刻的室外温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的相对湿度、T时刻的室外风速、T-1时刻的空调冷负荷、T-2时刻的空调冷负荷、T-3时刻的空调冷负荷和T-4时刻的空调冷负荷。