1.基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，包括以下步骤：S1、采集建筑历史能耗数据和影响能耗因素的数据，通过Pearson相关性分析筛选出Pearson相关系数在阈值内的特征作为能耗预测模型输入特征；

S2、对步骤S1得到的输入特征数据进行预处理，构建能耗样本集，并将能耗样本集划分为训练集、验证集和测试集；

S3、使用多输入多输出策略优化长短期记忆网络，建立监督式的多步超前短期能耗预测模型；

S4、利用步骤S2得到的训练集数据对步骤S3建立的监督式的多步超前短期能耗预测模型进行训练，利用步骤S2得到的验证集优化训练后的监督式的多步超前短期能耗预测模型的超参数，得到优化后的短期建筑能耗预测模型，利用步骤S2得到的一部分测试集对短期建筑能耗预测模型进行评估；

S5、基于步骤S4评估后的短期建筑能耗预测模型，在每小时的时间尺度上确定异常能耗诊断方法；

S6、利用步骤S5确定的异常能耗诊断方法对步骤S2得到的剩余测试集进行能耗诊断，根据诊断结果实现异常能耗分析。

2.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，步骤S1中，影响能耗因素的数据包括居住者行为、气象因素和时间因素。

3.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，步骤S1中，Pearson相关系数计算如下：其中，ρX,Y为变量X、Y的相关性系数，E为样本的数学期望。

4.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，步骤S2中，将能耗样本集按6：2：2划分为训练集、验证集和测试集。

5.根据权利要求4所述的基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，将测试集按1：1划分为两部分，分别用于步骤S4对短期建筑能耗预测模型进行评估和步骤S6进行能耗诊断。

6.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，步骤S4中，将以每小时为时间尺度下的均方根误差的变异系数小于30％时的短期建筑能耗预测模型用于能耗诊断。

7.根据权利要求6所述的基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，均方根误差的变异系数CV‑RMSE具体为：其中，yi和 分别为第i个时刻的实际值和预测值，n为样本个数。

8.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，步骤S5中，异常能耗诊断方法具体为：S501、视预测模型得到的数据为节能数据，实际数据为非节能数据；

S502、用残差ε表示实际能耗值与预测值之间的差异，用平均绝对误差MAE表示用于评估预测模型性能的测试集中，实际值大于预测值下的平均绝对误差；

S503、根据评价标准，将用能情况分为节能状态、注意状态和非节能状态。

9.根据权利要求8所述的基于短期建筑能耗预测模型的异常能耗诊断方法，其特征在于，步骤S503中，评价标准为：当ε≤0时，为节能状态，当0<ε≤MAE时，为注意状态，当ε>MAE时，为非节能状态。

10.一种基于短期建筑能耗预测模型的异常能耗诊断系统，其特征在于，包括：筛选模块，采集建筑历史能耗数据和影响能耗因素的数据，通过Pearson相关性分析筛选出Pearson相关系数在阈值内的特征作为能耗预测模型输入特征；

处理模块，对筛选模块得到的输入特征数据进行预处理，构建能耗样本集，并将能耗样本集划分为训练集、验证集和测试集；

输出模块，使用多输入多输出策略优化长短期记忆网络，建立监督式的多步超前短期能耗预测模型；

优化模块，利用处理模块得到的训练集数据对输出模块建立的监督式的多步超前短期能耗预测模型进行训练，利用处理模块得到的验证集优化训练后监督式的多步超前短期能耗预测模型的超参数，得到优化后的短期建筑能耗预测模型，利用处理模块得到的一部分测试集对短期建筑能耗预测模型进行评估；

诊断模块，基于优化模块评估后的短期建筑能耗预测模型，在每小时的时间尺度上确定异常能耗诊断方法；

分析模块，利用诊断模块确定的异常能耗诊断方法对处理模块得到的剩余测试集进行能耗诊断，根据诊断结果实现异常能耗分析。