1.基于需求响应的负荷反弹量优化方法，其特征在于，包括如下步骤：步骤1：建立室内空调负荷模型；

步骤2：采用直接负荷控制方法对室内空调负荷模型进行模拟，得到室内空调负荷模型的运行参数，采用最小二乘法对室内空调负荷模型的运行参数进行参数拟合，获得拟合方程，将拟合方程作为负荷反弹最小的目标函数；

步骤3：建立整体降负荷目标函数，将室内温度上限、控制时长、参与负荷数作为约束条件，采用NSGA2算法对整体降负荷目标函数和步骤2得到的负荷反弹最小的目标函数求解，获得室内空调负荷反弹量；

步骤4：将步骤3得到的室内空调负荷反弹量通过PD控制算法进行优化，获得优化后的负荷反弹量。

2.如权利要求1所述的基于需求响应的负荷反弹量优化方法，其特征在于，步骤1中先通过一阶等效热参数法建立单体空调负荷模型，然后通过蒙特卡洛模拟法获得室内空调负荷模型，所述室内空调负荷模型包括聚合的多个空调。

3.如权利要求1所述的基于需求响应的负荷反弹量优化方法，其特征在于，步骤1建立室内空调负荷模型后还包括如下步骤：步骤a1：获取空调负荷历史数据，所述空调负荷历史数据包括采集日历史数据和预测日历史数据；

步骤a2：根据将室内空调负荷模型中的模型参数建立基于Elman神经网络的空调负荷预测模型，将采集日历史数据和预测日历史数据输入空调负荷预测模型进行训练，得到训练好的空调负荷预测模型；

步骤a3：获取训练好的空调负荷预测模型的模型参数，用训练好的空调负荷预测模型的模型参数更新室内空调负荷模型的模型参数，获得更新后的室内空调负荷模型。

4.如权利要求1所述的基于需求响应的负荷反弹量优化方法，其特征在于，步骤2中负荷反弹最小的目标函数J1为式Ⅰ：

2 2 2

J1＝min∑a1x1‑a2x1‑C1‑b1x2+b2x2+C2‑c1x3+c2x3‑C3    式Ⅰ其中，x1表示直接负荷控制温度上限，x2表示直接负荷控制时长，x3表示直接负荷控制参数负荷数，a1、a2、b1、b2、c1、c2、C1、C2和C3均为常数，其中a1∈(15.0，15.5)，a2∈(273.0，

273.5)，C1∈(‑2659.5，‑2659.0)，b1∈(132.5，‑133.0)，b2∈(747.5，748.0)，C2∈(5.0，

5.5)，c1∈(‑0.5，0)，c2∈(2.0，2.5)，C3∈(‑10，‑9.5)。

5.如权利要求1所述的基于需求响应的负荷反弹量优化方法，其特征在于，步骤3将室内温度上限、控制时长、参与负荷数作为约束条件包括：控制时长的约束条件为式Ⅱ和式Ⅲ：

τon+τoff≤τ                           式Ⅲ其中，τon为空调开启时间， 为最小开机时间，τoff为空调关闭时间， 为最小停机时间，τ表示温度控制周期；

室内温度上限的约束条件为式Ⅳ：

T(τoff)≤Tmax                                式Ⅳ其中，T(τoff)表示每个控制周期的停机期末室内温度，单位为℃；Tmax为当前控制周期内允许的室内最高温度上限，单位为℃。

6.一种负荷调节方法，用于抑制在需求响应控制时期出现的负荷反弹现象，其特征在于，包括如下步骤：

步骤A：根据如权利要求1‑5中任一种负荷反弹量优化方法，获得优化后的负荷反弹量；

步骤B：根据获得的优化后的负荷反弹量进行负荷控制和调节。

7.基于需求响应的负荷反弹量优化系统，其特征在于，包括模型建立模块、负荷控制模块、室内空调负荷反弹量计算模块和优化模块；

所述模型建立模块用于建立室内空调负荷模型；

所述负荷控制模块采用直接负荷控制方法对室内空调负荷模型进行模拟，得到室内空调负荷模型的运行参数，采用最小二乘法对室内空调负荷模型的运行参数进行参数拟合，获得拟合方程，将拟合方程作为负荷反弹最小的目标函数；

所述室内空调负荷反弹量计算模块用于建立整体降负荷目标函数，将室内温度上限、控制时长、参与负荷数作为约束条件，采用NSGA2算法对整体降负荷目标函数和负荷反弹最小的目标函数求解，获得室内空调负荷反弹量；

所述优化模块用于将室内空调负荷反弹量计算模块得到的室内空调负荷反弹量通过PD控制算法进行优化，获得优化后的负荷反弹量。

8.如权利要求7所述的基于需求响应的负荷反弹量优化系统，其特征在于，模型建立模块中先通过一阶等效热参数法建立单体空调负荷模型，然后通过蒙特卡洛模拟法获得室内空调负荷模型，所述室内空调负荷模型包括聚合的多个空调。

9.如权利要求7所述的基于需求响应的负荷反弹量优化系统，其特征在于，模型建立模块建立室内空调负荷模型后还包括如下步骤：步骤a1：获取空调负荷历史数据，所述空调负荷历史数据包括采集日历史数据和预测日历史数据；

步骤a2：根据将室内空调负荷模型中的模型参数建立基于Elman神经网络的空调负荷预测模型，将采集日历史数据和预测日历史数据输入空调负荷预测模型进行训练，得到训练好的空调负荷预测模型；

步骤a3：获取训练好的空调负荷预测模型的模型参数，用训练好的空调负荷预测模型的模型参数更新室内空调负荷模型的模型参数，获得更新后的室内空调负荷模型。

10.如权利要求7所述的基于需求响应的负荷反弹量优化系统，其特征在于，负荷反弹最小的目标函数J1为式Ⅰ：

2 2 2

J1＝min∑a1x1‑a2x1‑C1‑b1x2+b2x2+C2‑c1x3+c2x3‑C3      式Ⅰ其中，x1表示直接负荷控制温度上限，x2表示直接负荷控制时长，x3表示直接负荷控制参数负荷数，a1、a2、b1、b2、c1、c2、C1、C2和C3均为常数，其中a1∈(15.0，15.5)，a2∈(273.0，

273.5)，C1∈(‑2659.5，‑2659.0)，b1∈(132.5，‑133.0)，b2∈(747.5，748.0)，C2∈(5.0，

5.5)，c1∈(‑0.5，0)，c2∈(2.0，2.5)，C3∈(‑10，‑9.5)。