1.一种基于VMD‑GRU网络的公共建筑冷负荷预测方法，其特征在于，包括以下步骤：步骤1，对原始数据进行相关性分析，挑选出相关性高的进行预测；

步骤2，使用VMD分解原始冷负荷序列，原始冷负荷序列序列共被分解为n条分量，各分量按照中心频率从低到高依次排列，选取不让其出现混叠的分量；

步骤3，选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量分别进行训练；

步骤4，输入冷负荷预测数据的相关性高的变量进行VMD分解，进而输入到GRU网络中进行预测，得到冷负荷的预测分量；

步骤5，将分量预测结果相加得出冷负荷预测值；

步骤2中，利用VMD进行分解及平稳化处理，分解为表示原始数据特征的多个分量；

VMD分解的具体步骤如下：

1)初始化各模态、中心频率和算子；

2)根据式(1)和(2)，更新参数uk和ω；

其中，f(t)为原始信号，uk是信号f(t)的第k个分量， 和 分别代表f(ω)、ui(ω)、λ(ω)和 的傅里叶变换，n代表迭代次数；

3)根据式(3)更新参数λ；

4)对于给定的判别精度e>0,若 则停止迭代，否则返回2)；

步骤3中，GRU网络包括更新门、重置门和输出门三个部分；它将LSTM网络中的遗忘门和输入门合并成一个更新门zt，保留原有的重置门rt，并且学习LSTM门控网络的优点来更新细胞状态和隐藏状态；

更新门zt用于描述过去时刻特征信息对现在特征信息的影响程度，其阈值越大说明前时刻特征信息对现在影响越大；

重置门rt用于描述过去时刻的状态特征信息被丢弃的程度，其阈值越小说明对过去信息丢弃越多；GRU网络中的前向传播权重参数的更新公式如下：式中：rt表示重置门，zt表示更新门，xt为t时刻的输入，ht‑1为t‑1时刻的隐含状态输入，wrt表示权重参数，br表示偏移参数，ht为候选隐藏状态，⊙为Hadamard积，表示对应元素相乘；参数更新历程为：当rt趋于0时，重置和遗忘过去时刻ht‑1的状态特征信息，ht重置为当前输入特征信息；而zt则可以组合控制过去时刻的ht‑1和ht，同时更新和输出ht；

GRU网络使用反向误差传播算法来训练自身网络；假使其输出层的输入为： 输出为： 设其损失函数为 则样本的损失为 利用损失函数对四个参数求偏导，实现对参数的训练；

un1,un2,…,unk分别是系统n个不同的输入变量的观测值，o′k是模型输出的观测值；GRU神经网络的输入向量，将历史数据依次通过多层GRU全连接层，并在接下来通过完全连接层合并特征，生成预测当前时刻之后m个采样周期的输出；将GRU神经网络的预测值与真实值之间的平均平方差定义为损失函数，随时间反向传播。

2.根据权利要求1所述的一种基于VMD‑GRU网络的公共建筑冷负荷预测方法，其特征在于，步骤1中，将大型公建冷负荷相关变量X＝[X1,X2,…,Xm]进行相关性分析，选取相关性高的数据重组为新的相关性序列Y＝[U1,U2,…,Un,O]。

3.根据权利要求1所述的一种基于VMD‑GRU网络的公共建筑冷负荷预测方法，其特征在于，步骤4中，首先使用VMD对冷负荷序列和相关变量进行相关性分析，舍弃相关性低的相关变量，然后对相关性高的变量和冷负荷序列进行VMD分解，将分解后得到的分量进行重组；

选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量分别进行训练；然后，输入冷负荷预测数据的相关性高的变量进行VMD分解，然后输入GRU网络中进行预测，得到冷负荷的预测分量，最后将分量预测值叠加得到最终的预测值并输出结果。