1.一种基于ELMAN神经网络的短期负荷的预测方法，其特征在于，包括以下步骤：S1、采集校园综合能源系统、气象数据系统和教务系统数据作为输入数据；

综合能源系统电负荷、冷负荷、热负荷数据；气象数据系统的温度值、湿度值数据；教务系统中理论课程数、实践课程数、校历数据；

S2、将所述S1采样到的输入数据归一化处理，映射到‑1到1之间；

归一化处理公式为：

其中， 表示归一化后的样本数据，i为样本数，j为样本的分量，xij表示第i个样本的第j个分量， 为第j个样本分量的均值，δj为第j个样本分量的标准差；

S3、将S2归一化的数据分为训练样本和滚动优化的测试样本，将训练样本数据输入Elman神经网络模型；

S4、建立Elman神经网络模型，设定Elman神经网络模型输入变量个数n，隐含层和承接层神经元个数为m，输出变量为k；隐藏层与输入层和承接层间、输出层与隐藏层间的激活函数均选择sigmoid函数；

Elman神经网络模型的输出层，隐含层，承接层输出包括：输出层输出为：

y(t)＝g(w3(t)h(t))            (2)隐含层输出为：

h(t)＝g(w1(t)x(t)+w2(t)u(t))    (3)承接层输出为：

u(t)＝x(t‑1)                (4)n×m m×m m×k

其中，w1∈R ，w2∈R ，w3∈R 分别是输入层到隐含层，承接层到隐含层，隐含层到输出层的权重矩阵；x(t)是t时刻输入向量，x(t‑1)是t‑1时刻输入向量；g(·)为sigmoid激活函数，t是时间步长；

Elman神经网络模型的参数值是通过误差逆向传播算法，使E(t)对权值求偏导并等于

0，得到：

Δw3ij＝η3hi(t)δj,(i＝1,2,…,m；j＝1,2,…k)                  (6)Δw1ij＝η1xi(t)βj,(i＝1,2,…,n；j＝1,2,…,m)                  (8)其中，η1,η2,η3分别是w1,w2,w3的学习率；δj是输出层神经元的梯度项,hi(t)是隐藏层的第i维输出，k是输出向量维数，m是承接层和隐含层输出向量维数，Δ表示权值的更新，βj是隐含层神经元的梯度项；

δj＝(dj(t)‑yj(t))f′o(·)                          (9)其中，yj(t)是第j个结点第t轮的输出值，dj(t)是第t轮第j个结点的标准输出值，f′o(·)是输出层的导数，f′h(·)是隐含层的导数，α为自连接反馈增益因子；

S5、设置Elman神经网络模型中隐藏层和承接层神经元的数均为22；

S6、以Elman神经网络模型输出与实际输出的绝对误差最小化为目标，根据梯度下降法，当对权值的偏导数等于0时，获得Elman神经网络模型的参数值。

2.如权利要求1所述的ELMAN神经网络的短期负荷的预测方法，其特征在于，所述绝对误差函数公式为：其中d(t)为t时刻的实际输出，y(t)为t时刻的模型输出。