1.一种基于麻雀优化算法的短期空调负荷预测方法，其特征在于，包括以下步骤：S1、采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据，得到样本数据集，对样本数据进行预处理，将样本数据集分成训练集Tr和测试集Te；

S2、根据步骤S1得到的训练集Tr和当前时刻空调冷负荷构造SVM并初始化SVM的参数；

S3、利用麻雀算法对步骤S2初始化后的SVM参数进行优化得到最优超参数值，利用最优超参数值对SVM进行训练，得到SSA‑SVM预测模型；

S4、将待检测的数据集输入步骤S3得到的SSA‑SVM预测模型中进行短期空调负荷预测，输出当前时刻空调冷负荷的预测值；

步骤S1中，选择当前时刻空调冷负荷为输出变量，采用熵权法改进的灰色关联度计算影响当前时刻空调冷负荷的因素与当前时刻空调冷负荷之间的加权关联度，剔除加权关联度较低的因素，剩余的因素作为输入变量；

步骤S1中，剔除与当前时刻空调冷负荷的加权关联度低于0.02的因素；

步骤S3中，优化的具体步骤如下：

1)根据训练集Tr中的数据初始化麻雀算法的参数；

2)计算训练集Tr中数据的适应度值，根据适应度值更新麻雀种群中发现者、跟随者以及侦察者的位置，当适应度值趋于稳定或者达到最大迭代次数，则得到更新后的最优超参数值；

3）利用最优超参数值对SVM进行训练，将测试集Te输入训练后的SVM中，得到预测空调冷负荷值，将得到的预测空调冷负荷值与实际负荷值进行比较，计算预测日的相对误差，若相对误差满足精度要求，则得到训练好的SSA‑SVM预测模型；否则，返回步骤2），更新最优超参数，重新对SVM进行训练。

2.根据权利要求1所述的一种基于麻雀优化算法的短期空调负荷预测方法，其特征在于，步骤S2中，根据训练集 ，构造 SVM的网络拓扑架构：（6）

其中， ， ，为输入的第i个特征向量，为输出的第i个特征向量，为训练样本总数， 为拉格朗日因子， 为向量机核函数，b为截距。

3.根据权利要求2所述的一种基于麻雀优化算法的短期空调负荷预测方法，其特征在于，步骤S2中，所述向量机核函数为高斯核函数，采用高斯核函数建立SVM模型，其模型形式为：（7）

其中，g为核参数。

4.根据权利要求1所述的一种基于麻雀优化算法的短期空调负荷预测方法，其特征在于，步骤S3中，适应度值采用适应度函数计算，适应度函数选取均方误差函数，具体计算如下：（11）

其中，为实际值，y为预测值。

5.根据权利要求1所述的一种基于麻雀优化算法的短期空调负荷预测方法，其特征在于，步骤S1中，对样本数据集中的数据进行归一化处理。

6.根据权利要求1所述的一种基于麻雀优化算法的短期空调负荷预测方法，其特征在于，步骤S1中，所述影响当前时刻空调冷负荷因素包括前1时刻、前2时刻、前24时刻的冷负荷、室外温度、湿球温度、相对湿度以及前1时刻的太阳辐射强度和室外风速。

7.一种基于麻雀优化算法的短期空调负荷预测系统，其特征在于，包括：预处理模块，用于采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据，得到样本数据集，对样本数据进行预处理，将样本数据集分成训练集Tr和测试集Te；选择当前时刻空调冷负荷为输出变量，采用熵权法改进的灰色关联度计算影响当前时刻空调冷负荷的因素与当前时刻空调冷负荷之间的加权关联度，剔除与当前时刻空调冷负荷的加权关联度低于0.02的因素，剩余的因素作为输入变量；

建模模块，用于利用训练集Tr和当前时刻空调冷负荷构造SVM，并初始化SVM的参数；

寻优模块，用于利用麻雀算法对初始化后的SVM参数进行优化得到最优超参数值，利用最优超参数值对SVM进行训练，得到SSA‑SVM预测模型，优化的具体步骤如下：

1)根据训练集Tr中的数据初始化麻雀算法的参数；

2)计算训练集Tr中数据的适应度值，根据适应度值更新麻雀种群中发现者、跟随者以及侦察者的位置，当适应度值趋于稳定或者达到最大迭代次数，则得到更新后的最优超参数值；

3）利用最优超参数值对SVM进行训练，将测试集Te输入训练后的SVM中，得到预测空调冷负荷值，将得到的预测空调冷负荷值与实际负荷值进行比较，计算预测日的相对误差，若相对误差满足精度要求，则得到训练好的SSA‑SVM预测模型；否则，返回步骤2），更新最优超参数，重新对SVM进行训练；

预测模型，将待检测的数据集输入SSA‑SVM预测模型中进行短期空调负荷预测，输出当前时刻空调冷负荷的预测值。