1.一种基于深度学习的空调系统负荷预测方法，其特征在于：包括以下几个步骤：步骤1、选择影响空调系统负荷的特征元素：通过对待预测空调系统进行分析，选择出影响空调系统负荷的特征元素m＝9个；9个特征元素分别为历史负荷值、温度、湿度、气压、风速、季节、太阳辐照强度、周末和节假日；

步骤2、收集空调系统负荷原始数据：在设定时间周期内，按照设定时间间隔，对待预测空调系统的负荷原始数据进行收集，收集的每个空调系统负荷原始数据均需包括m个特征元素；

步骤3、负荷数据处理：将步骤2收集的每个空调系统负荷原始数据均进行去量纲处理，使每个空调系统负荷原始数据所包括的m个特征元素，均形成为无量纲数据；然后，将去量纲后收集的80％空调系统负荷原始数据作为训练集；将去量纲后收集的20％空调系统负荷原始数据作为测试集；

去量纲处理的方法为：先对每个特征元素均进行分档，每个档位对应一个无量纲数字；

再将获取的每个特征元素与对应档位进行匹配，进而得到对应的无量纲数据；

当特征元素为季节时，则分档方法为：

春节或秋季时，无量纲数字为0；夏季或冬季是，无量纲数字为1；

当特征元素为周末或节假日时，无量纲数字为1；否则，无量纲数字为0；

步骤4、搭建基于神经网络的深度学习模型：深度学习模型包括一个输入层、y个隐藏层和一个输出层；其中，输入层具有p个神经元，分别对应p个特征元素；p和y均为待确定的未知变量，且p≤m，y≤m；层与层之间采用sigmoid激活函数作为连接函数；输出层具有一个神经元，对应下一时刻的空调系统负荷预测值；

步骤5、确定深度学习最优模型：通过选择不同的p和y值，得到不同的深度学习模型；采用步骤3中的训练集数据对每个深度学习模型均进行训练，进而确定每个深度学习模型中的连接权重值；接着，采用步骤3中的测试集数据进行模型验证，得到不同的空调系统负荷预测值；通过对得到的不同空调系统负荷预测值进行比较或评价，进而确定深度学习最优模型；深度学习最优模型中的输入层神经元数量为p＝p1个；

深度学习最优模型确定的具体方法，包括如下步骤：

步骤5A、确定关键特征元素：先将步骤1中选择的m个特征元素按照对空调系统的负荷影响，从大至小进行排序；接着，将前p0个特征元素作为关键特征元素；其中，p0的计算公式为：步骤5B、建立深度学习模型：选择不同的p和y值，得到不同的深度学习模型；其中，p∈[p0，m]，y∈[y0，m]，且y0＝2；此时，深度学习模型中输入层的p个神经元，至少包括步骤5A确定的p0个关键特征元素；

步骤5C、计算连接权重值：采用步骤3中的训练集数据对步骤5B建立的每个深度学习模型均进行训练，并基于梯度下降法对每层的连接权重值进行更新，进而确定每个深度学习模型中的连接权重值；

基于梯度下降法对每层连接权重值进行更新时，梯度下降法中的学习率α(t)，根据高斯函数的分布特性进行设计，具体计算公式为：式中，t代表学习的迭代次数，h、q是常数；

步骤5D、验证深度学习模型：采用步骤3中的测试集数据进对具有确定连接权重值的每个深度学习模型进行验证，得到不同的空调系统负荷预测值；

步骤5E、确定深度学习最优模型：对步骤5D得到的不同空调系统负荷预测值进行比较或评价，进而得到深度学习最优模型；

步骤6、空调系统负荷预测：获取待预测空调系统在当前时刻的p1个特征元素并进行去量纲处理，将去量纲后的p1个特征元素代入步骤5确定的深度学习最优模型中，进行空调系统负荷预测，输出层结果即为下一时刻空调系统负荷预测值。

2.根据权利要求1所述的基于深度学习的空调系统负荷预测方法，其特征在于：步骤4中，sigmoid激活函数的表达式为：式中，x为神经元的预输出值，S(x)为该神经元经非线性转化后的输出值。

3.根据权利要求1所述的基于深度学习的空调系统负荷预测方法，其特征在于：步骤5E中，采用MAE指标对步骤5D得到的不同空调系统负荷预测值进行评价，当MAE小于1％所对应的深度学习模型，即为深度学习最优模型。

4.根据权利要求3所述的基于深度学习的空调系统负荷预测方法，其特征在于：MAE的计算公式为：式中，N为步骤5D中从测试集数据中选择的空调系统负荷原始数据数量；i为从测试集数据中选择的第i个空调系统负荷原始数据；Yi为测试集数据中下一时刻的空调系统负荷原始实测值；Pi为步骤5D中针对第i个空调系统负荷原始数据采用深度学习模型预测得到的空调系统负荷预测值。