1.一种基于天牛群算法优化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，建立样本数据集，去除样本数据集中的无效数据，所述样本数据集中的元素包括输入向量和输出向量；

所述输入向量包括T时刻的室外空气温度、T‑1时刻的室外空气温度、T时刻的太阳辐射量、T‑1时刻的太阳辐射量、T时刻的室外湿度、T‑1时刻的空调冷负荷和T‑2时刻的空调冷负荷；所述输出向量为T时刻的空调冷负荷；

步骤2，归一化样本数据集中的数据，获得归一化后的输入向量；

步骤3，通过输入向量中变量的个数和输出变量的个数确定BP神经网络的结构；

步骤4，通过天牛群算法优化BP神经网络，获得优化后的BP神经网络以及BP神经网络的权值和阈值的设定开始值，具体为：步骤4.1，设置天牛群算法的初始参数，通过输入向量设置初始参数中粒子的位置，所述粒子的位置为BP神经网路中初始的权值和阈值；

所述初始参数包括粒子群的规模sizepop、最大迭代次数maxgen、粒子位置的取值范围[popmin，popmax]、粒子速度的取值范围vmax和vmin、粒子的初始速度v、迭代的步长δ、粒子左和右两个天线之间的距离d、惯性权重ω、学习因子c1、c2、λ和搜索空间维度k；

步骤4.2，所述BP神经网络通过对初始的权值和阈值进行训练获得每一个粒子的预测值，进而获得每个粒子的初始误差数值，通过比较每个粒子的初始误差，获得群体初始的全局最优解和个体最优解；

步骤4.3，将每一个粒子视作一个独立的天牛，计算每一个天牛前进方向的位移增量 ，通过更新的位移增量 、速度v和位置x获得新的位置 ，结合适应度函数，获得全局最优解和个体最优解，更新步骤4.2获得的全局最优解和个体最优解；

根据天牛的位置计算每个天牛的左侧距离xleft、左侧适应度fleft、右侧距离xright和右侧适应度fright；比较一个天牛的左侧适应度fleft和右侧适应度fright，获得天牛前进方向的位移增量 ：（6）

更新的位移速度v、更新的位置x和搜索步长 的计算公式为：（7）

（8）

（9）

其中，eta为常数0.95， 为个体最优解，gbest为全局最优解；

步骤4.4，重复步骤4.2和步骤4.3，达到设定迭代次数，输出全局最优解，为BP神经网络的权值和阈值的设定开始值，同时获得优化后的BP神经网络；

步骤5，通过BP神经网络进行空调冷负荷的预测。

2.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，所述归一化为将样本数据集中同一元素的所有数值进行归一化处理，所述元素为一个输入向量。

3.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤4.3中，所述适应度函数的计算公式为：（3）

其中Y预测是预测值，Y实际是实际冷负荷值。

4.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤4后，通过ARMA模型对优化后的BP神经网络进行修正。

5.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤4中，ARMA模型修正BP神经网络的过程为：

1）通过优化后BP神经网络训练获得空调冷负荷和实际空调冷负荷建立误差序列；

2）对误差序列进行平稳性检验，如果稳定执行步骤3），如果不稳定进行平稳化处理；

3）通过稳定的误差序列获得ARMA表达式，获得误差序列的残差；

4）对残差进行相关性检验，当残差不存在一阶相关性时，对误差序列中的样本进行误差预测，获得误差预测值；

5）通过误差预测值对BP神经网络训练获得空调冷负荷进行修正。

6.根据权利要求5所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤2）中，通过ADF检验和KPSS检验对误差序列进行平稳性检验。