1.一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，包括以下步骤：

S1：获取气象参数、建筑围护结构参数和空调负荷相关参数；

S2：利用TRNSYS构建用于计算建筑负荷的建筑负荷计算模型；

S3：构建用于匹配家庭空调负荷的空调负荷匹配函数，所述空调负荷匹配函数自变量为建筑负荷，因变量为家庭空调负荷的单值分段函数；

S4：构建用于建筑负荷预测的神经网络，所述神经网络为用于建筑负荷预测的反向传播神经网络，网络由一层输入层，三层隐藏层，一层输出层组成，各层之间全连接；

S5：对步骤S4构建的神经网络进行训练调节，输入层各节点对应历史气象参数各参数值，输出层节点对应建筑负荷通过TRNSYS建筑负荷计算模型计算得出，网络训练调节好后，输入层各节点对应未来气象参数各参数值，输出层节点输出建筑负荷预测值，将建筑负荷预测值作为空调负荷匹配函数的输入，得到空调负荷预测值。

2.根据权利要求1所述的一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，步骤S1中所述气象参数包括从气象网站上获取的历史及未来逐时干球温度、相对湿度、太阳方位角、太阳水平光束辐射、太阳水平散射辐射、室温；所述建筑围护结构参数包括建筑长宽高尺寸、建筑朝向、各方向窗墙比、墙体厚度、窗体厚度、墙体导热系数、窗体导热系数；所述空调负荷包括对应气象参数历史逐时空调实际负荷值。

3.根据权利要求1所述的一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，步骤S2中所述建筑负荷计算模型由建筑负荷计算模块、气象参数导入模块、太阳天顶角计算模块、有效天空温度计算模块、露点温度计算模块、建筑负荷输出模块及各模块之间参数传递关系线组成。

4.根据权利要求3所述的一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，所述气象参数导入模块导入从气象网站获取的历史气象参数，与天顶角计算模块相连，输出太阳方位角、太阳水平光束辐射、太阳水平散射辐射参数，与有效天空温度计算模块相连，输出干球温度、太阳水平光束辐射、太阳水平散射辐射参数，与露点温度计算模块相连，输出干球温度、相对湿度参数，与建筑负荷计算模块相连，输出干球温度、太阳方位角、室温参数；所述太阳天顶角计算模块与建筑负荷计算模块相连，输出太阳天顶角参数；所述有效天空温度计算模块与建筑负荷计算模块相连，输出有效天空温度参数；所述露点温度计算模块与有效天空温度计算模块相连，输出露点温度参数，与建筑负荷计算模块相连，输出相对湿度参数。

5.根据权利要求4所述的一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，所述建筑负荷计算模块通过建筑围护结构参数确定建筑结构，与建筑负荷输出模块相连，输出建筑负荷。

6.根据权利要求1所述的一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，步骤S3中自变量建筑负荷取值区间个数等于空调负荷个数，每个建筑负荷取值区间对应一种空调负荷。

7.根据权利要求1所述的一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，步骤S4中网络中输入层为气象参数节点，隐藏层为特征提取节点，输出层为建筑负荷节点；建立的神经网络中，输入层中每个节点对应一种气象参数值，输出层节点对应建筑负荷值。

8.根据权利要求7所述的一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，输入层节点分别为干球温度节点、相对湿度节点、太阳方位角节点、太阳水平光束辐射节点、太阳水平散射辐射节点、室温节点；输出层节点为建筑负荷值节点。

9.根据权利要求8所述的一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，其特征在于，设置输入层激活函数为GELU函数，如式(1)所示，隐藏层三层激活函数为GELU函数，节点个数分别为512、256、128，输出层激活函数为GELU函数，损失函数为均方差函数，如式(2)所示，各层偏差及权重初始值为随机数；

式中，x为各节点输入值，在输入层x为各气象参数加偏置数，erf为高斯误差函数；σ为均方差，N为训练批次中样本个数， 为批次中负荷真实值，yi为批次中神经网络负荷输出值，训练时通过误差反向传播调整各层权重及偏差，通过训练好的神经网络结合从气象网站获取的未来气象参数输出建筑负荷预测值。