1.考虑频域分解后数据特征的空调冷负荷预测方法，其特征在于，包括以下步骤：S1、将影响负荷的因素通过RF算法对每个变量的特征重要度进行排序用于特征选择，将负荷序列重要度大于设定阈值的因素作为输入变量；

S2、利用变分模态分解技术将原始负荷序列分解成两个固有模态函数IMF1和IMF2以及误差序列ERR；

S3、对步骤S2得到的IMF1子序列进行ADF检验，检验结果为非线性非平稳子序列，并将步骤S1得到的输入变量作为输入，对固有模态函数IMF1建立最小二乘支持向量机预测模型，得到IMF1子序列的预测分量；

S4、对步骤S2得到的IMF2子序列进行ADF检验，检验结果为线性平稳子序列，并将步骤S1得到的输入变量作为输入，对固有模态函数IMF2建立极端梯度提升决策树预测模型，得到IMF2子序列的预测分量；

S5、对步骤S2得到的表现出高斯噪声部分的误差序列ERR的概率分布进行正态拟合得到ERR序列的概率分布预测模型，确定误差序列ERR子序列的预测分量；

S6、将步骤S3得到的IMF1子序列的预测分量，步骤S4得到的IMF2子序列的预测分量和步骤S5得到的误差序列ERR子序列的预测分量叠加后输出得到最终冷负荷预测值。

2.根据权利要求1所述的方法，其特征在于，步骤S2中，利用VMD技术将原始负荷序列分解成离散的子序列具体为：S201、构造变分问题，原始负荷序列被分解为3个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，得到相应的约束变分问题；

S202、引入二次惩罚因子α拉格朗日乘子λ，将步骤S201得到的约束变分问题转换为无约束变分问题；

S203、迭代更新步骤S202转换的无约束变分问题中的uk和ωk，得到各模态分量最优解；

S204、当步骤S203各模态分量最优解满足约束条件 后，输出最终模态分量， 为第n次迭代得到的分量， 为第n+1次迭代得到的分量，k为模态分量数，e>0为判别精度。

3.根据权利要求2所述的方法，其特征在于，步骤S203中，各模态分量最优解：其中， 为分别为第n+1次迭代得到的分量和表当前模态函数功率谱的重心， 为原始负荷序列的傅里叶变换， 为ui(ω)的傅里叶变换， 为Lagrange惩罚算子，n代表迭代次数，α为二次惩罚因子。

4.根据权利要求1所述的方法，其特征在于，步骤S3中，建立LSSVM预测模型具体为：S301、给定训练数据集{(x1,y1),(x2,y2),…,(xn,yn)}，xi是第i个输入样本，yi是输出变量，将核函数映射在高维空间中构造回归函数y(x)；

S302、根据结构风险最小准则求解回归函数中的权向量ω和偏差参数b；

S303、构造拉格朗日函数L(ω,b,ξ,α)求解步骤S301中回归函数的最优解，ξ为松弛变量，α为Lagrange乘子；

S304、根据KKT条件分别求解L(ω,b,ξ,α)对(ω,b,ξ,α)的偏微分；

S305、通过计算步骤S304中4个参数的偏导为0，消除参数松弛变量ξi和权向量ω后得到线性方程组；

S306、通过求解步骤S305中的方程组得到α和b的值，确定LSSVM预测模型。

5.根据权利要求4所述的方法，其特征在于，步骤S302中，最优ω和b计算如下：T

s.t.yi＝ω·φ(xi)+b+ξi

其中，γ为正则化参数，ξi为松弛变量，用来衡量训练样本偏离程度；n为训练样本数。

6.根据权利要求4所述的方法，其特征在于，步骤S306中，LSSVM预测模型的输出为：其中，αi为对应于xi的Lagrange乘子，k(x,xi)为核函数矩阵，b为偏差参数，n为样本数量。

7.根据权利要求1所述的方法，其特征在于，步骤S4中，利用极端梯度推进决策树回归算法，将CART结合起来，得到一个高精度的XGBoost预测模型，具体为：S401、调整树深度、学习速率和迭代次数；

S402、构造目标函数，包括损失函数与正则项两部分，得到训练模型，损失函数采用具有一阶项与二次项的均方根误差，正则项关联模型的复杂度，优化最小正则项；

S403、预测模型搭建为迭代的过程，在每一次迭代开始之前，计算损失函数在每个训练样本点的一阶导数和二阶导数，每次迭代通过贪心策略生成新的决策树，通过对叶子节点对应的参数值计算每个叶节点对应的预测值；

S404、将步骤S403新生成的决策树添加到步骤S402的训练模型中；

S405、判断步骤S402所构建的目标函数是否达到最小，若是，则执行步骤S406，若否，则执行步骤S402；

S406、将验证数据集中的特征数据输入训练模型，计算评价指标，判断评价指标是否满足要求值，若是，则保存预测模型，若否，执行步骤S401。

8.根据权利要求7所述的方法，其特征在于，步骤S406中，令 对ωj求导，获得目标函数的最优解 及最优权重 如下：

其中， 为目标函数的最优解，Gj为一阶导数之和，ωj为权重，T为叶子节点个数，Hj为二阶导数之和，λ和γ为控制参数， 为最优权重。

9.根据权利要求1所述的方法，其特征在于，步骤S5中，分别统计ERR序列的频率直方图及拟合概率分布，设定正态分布为待检验的分布类型，对ERR作出相应的正态Q‑Q图及去趋势正态Q‑Q图。

10.一种考虑频域分解后数据特征的空调冷负荷预测系统，其特征在于，包括：筛选模块，将影响负荷的因素通过RF算法对每个变量的特征重要度进行排序用于特征选择，将负荷序列重要度大于设定阈值的因素作为输入变量；

分解模块，利用变分模态分解技术将原始负荷序列分解成两个固有模态函数IMF1和IMF2以及误差序列ERR；

第一检验模块，对分解模块得到的IMF1子序列进行ADF检验，检验结果为非线性非平稳子序列，并将筛选模块得到的输入变量作为输入，对固有模态函数IMF1建立最小二乘支持向量机预测模型，得到IMF1子序列的预测分量；

第二检验模块，对分解模块得到的IMF2子序列进行ADF检验，检验结果为线性平稳子序列，并将筛选模块得到的输入变量作为输入，对固有模态函数IMF2建立极端梯度提升决策树预测模型，得到IMF2子序列的预测分量；

第三检验模块，对分解模块得到的表现出高斯噪声部分的误差序列ERR的概率分布进行正态拟合得到ERR序列的概率分布预测模型，确定误差序列ERR子序列的预测分量；

预测模块，将步骤第一检验模块得到的IMF1子序列的预测分量，第二检验模块得到的IMF2子序列的预测分量和第三检验模块得到的误差序列ERR子序列的预测分量叠加后输出得到最终冷负荷预测值。