1.一种空调冷负荷预测优化方法，其特征在于，包括以下步骤：获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；

采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；

采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。

2.根据权利要求1所述的一种空调冷负荷预测优化方法，其特征在于，空调冷负荷的影响构成要素数据包括建筑物室内温度、CO2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速。

3.根据权利要求1所述的一种空调冷负荷预测优化方法，其特征在于，确定空调冷负荷的主要影响指标数据的过程，具体为：采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理，得到空调冷负荷的主要影响指标数据。

4.根据权利要求3所述的一种空调冷负荷预测优化方法，其特征在于，采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理过程，具体如下：采用单变量选择方式，对空调冷负荷的影响构成要素数据进行选取；将每种空调冷负荷的影响构成要素数据分别与空调冷负荷值建立随机森林模型；以决定系数作为随机森林模型的评价指标；

其中，决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度；采用5折交叉验证的模型训练方式对随机森林模型进行训练，筛选得到空调冷负荷的主要影响指标数据。

5.根据权利要求1所述的一种空调冷负荷预测优化方法，其特征在于，采用鲸鱼算法对极限学习机的权重参数及阈值参数进行寻优，具体如下：设置极限学习机预测精度参数，并确定极限学习机预测精度参数范围；

根据极限学习机预测精度参数范围，设置鲸鱼优化算法影响参数的寻优范围；

利用空调冷负荷的主要影响指标数据及鲸鱼种群信息，得到极限学习机的预测值；并根据极限学习机的预测值，计算所有个体的适应度值，选择当前最优适应度个体，并设置该个体的位置为当前最优；

利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新；

每次迭代更新后，将优化后的预测精度参数传递至极限学习机；

判断迭代循环次数是否达到预设值，若是，则停止对预测精度参数的寻优，得到极限学习机的最优权重参数及阈值参数；若非，则继续迭代更新。

6.根据权利要求5所述的一种空调冷负荷预测优化方法，其特征在于，极限学习机预测精度参数包括输入权值参数及隐藏层阈值参数；其中，将输入权值参数设置为[‑1,1]范围内的随机数；隐藏层阈值参数设置为[0,1]范围内的随机数。

7.根据权利要求5所述的一种空调冷负荷预测优化方法，其特征在于，鲸鱼优化算法影响参数包括种群规模、最大迭代次数及鲸鱼种群位置的上限与下限；鲸鱼优化算法的适应度函数为均方误差。

8.根据权利要求5所述的一种空调冷负荷预测优化方法，其特征在于，利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新过程；

若当前迭代次数t<最大迭代次数Tmax，则对输入权值与隐藏层阈值进行更新；

当随机变量p<0.5时，若系数向量|A|≥1，鲸鱼将会放弃猎物并重新进行搜寻；若系数向量|A|<1，鲸鱼将进攻猎物；

当随机变量p≥0.5时，对个体位置进行螺旋更新。

9.一种空调冷负荷预测优化系统，其特征在于，包括影响指标数据模块、模型优化模块及输出模块；

影响指标数据模块，用于获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；

模型优化模块，用于采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；

输出模块，用于采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。

10.一种空调冷负荷预测优化设备，其特征在于，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现如权利要求1‑7任一项所述的方法。