1.一种基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，首先收集冷负荷数据，采用拉格朗日插值法对缺失和异常的能耗数据进行弥补处理，对处理后的能耗数据进行归一化处理；将处理后的数据通过独立的高斯分布处理，处理后的CRBM输入给预测模型；通过RBM无监督机制进行训练，以前一层的RBM隐藏层作为下一层RBM的可视层输入，调节网络参数θ＝{w,a,b}；然后通过有监督的BP神经网络进行反向训练，再次调节网络参数θ＝{w,a,b}；再采用Adam优化算法调节网络参数θ＝{w,a,b}；最后选取预测模型的参数及结构，采用重构误差RE对预测模型进行结构评估选取；采用均方根相对误差RMSPE和平均绝对百分误差MAPE对结果进行评价，完成空调冷负荷预测。

2.根据权利要求1所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，预测模型在线性单元中加入独立高斯分布的连续值来模拟真实的数据，能量函数E(v,h；θ)为：其中，θ＝{w,a,b,σ}，σi为可视层vi对应的高斯噪声的标准差；

更新可视层和隐藏层的激活概率为：

其中，N(μ,σ2)代表高斯函数的均值μ和方差σ2，ai为可视层的偏移量，hj为隐藏单元j的二进制状态，wij为两者之间的权重，n为可视层预测冷负荷的数量，vi为可视层输入i的二进制状态，bj为隐藏层的偏移量。

3.根据权利要求1所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，RBM无监督机制训练中，RBM通过激活函数，将输入向量由可视层转换到隐藏层，从隐藏层再到可视层，通过训练最小化内部能量函数，完成特征的提取，得到可视层与隐藏层之间的联合组态能量函数E(v,h；θ)，以可视层和隐藏层的联合分布确保函数分布标准化，根据确定的可视层和隐藏层计算得到条件概率分布，通过使用梯段上升法最大化似然函数确定

1 2 n

最佳模型，当给定一组训练样本集合S＝{v ,v ,...v)时，计算得到目标函数为最大化下对数似然函数Ls。

4.根据权利要求3所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，最大化下对数似然函数Ls为：其中，P(vn)为每一个输入样本的激活概率，N为训练样本个数。

5.根据权利要求3所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，可视层和隐藏层之间的联合分布为：P(v,h|θ)＝exp(-E(v,h))/Z(θ)

其中，Z(θ)为配分函数，v为可视层单元，h为隐藏层单元，确定可视层以及隐藏层后，条件概率分布计算如下：其中，ai为可视层的偏移量，hj为隐藏单元j的二进制状态，n为可视层的预测冷负荷数量，wij为两者之间的权重，m为可视层对应的隐藏层数量，vi为可视层输入i的二进制状态，bj为隐藏层的偏移量。

6.根据权利要求1所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，再次调节网络参数θ＝{w,a,b}具体为：将包含时间、温度、湿度和太阳辐射的输入向量输入到网络模型中，通过无监督网络训练，通过高斯分布CRBM处理成连续的数值，进行模型训练；

然后将训练样本划分为f组训练样本，对f组训练样本进行训练以调节预测模型的网络参数θ＝{w,a,b}，达到预测模型训练层数后保存网络参数。

7.根据权利要求1所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，采用Adam优化算法调节网络参数θ＝{w,a,b}具体为：对参数向量、一阶矩向量和二阶矩向量进行初始化，然后循环迭代地更新各个部分，使参数θ收敛，即时间t加1，对应的更新偏差的各个参数，最后用计算的参数值更新预测模型的参数θ。

8.根据权利要求1所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，使用均方根相对误差RMSPE和平均绝对百分误差MAPE进行评估，对比预测模型的预测值与实际值之间的差值，对CRBM-DBN网络模型采用重构误差进行评估，真实值与预测值之间的偏差构成重构误差，通过计算重构误差计算得出预测模型的深度，对于隐含节点的数量，以MAPE和训练时间为评价标准，通过训练对冷负荷数据进行预测。

9.根据权利要求8所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，均方根相对误差RMSPE和平均绝对百分误差MAPE具体为：其中，yi和 分别为第i个时刻的实际负荷值和负荷预测值；为空调冷负荷真实值的平均值，k为所有测试集的样本个数；采用重构误差进行评估如下：其中，RE为重构误差，X代表min-batch矩阵，aVi表示当前预测可视单元的状态值。

10.根据权利要求8所述的基于自适应深度置信网络的空调冷负荷预测方法，其特征在于，预测模型的深度为2，隐层节的点数为20，预测步长为1h。