1.一种数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，包括以下步骤：步骤S1：对采集到的一段时间内的数据进行分割，将其划分为过去数据yp(r)和未来数据yf(r)，确定过去观测值长度p和未来观测值长度f，并设定预知系统模型的阶数n的初始值；

步骤S2：构造过去和未来的组合矩阵Yp、Yf，计算过去和未来观测值的协方差矩阵Σpp、Σff以及它们之间的互协方差矩阵Σfp；

步骤S3：构造Hankel矩阵，对其进行奇异值分解，基于过去测量值得到规范变量Zr和转换矩阵J；

步骤S4：将转换矩阵J投影到原始数据u，以获取降低维度后的输入数据u'；

在步骤S4中，将转换矩阵J投影到原始数据u，以获取降低维度后的输入数据u'，u'＝uJ (1)；

步骤S5：将数据x'分为训练数据p1、t1和测试数据p2、t2，并进行归一化处理，创建并训练极限学习机模型，设定输入层和隐含层数量N、L，随机初始化输入层与隐含层间的连接权值IW和隐含层偏置B1；

步骤S6：计算隐含层的输出值tempH，利用映射函数得到隐含层对样本特征的映射值h，然后计算隐含层与输出层的连接权值LW；

步骤S7：对训练好的模型，重复步骤S6，计算tempH1和h1，得到CVs‑ELM模型的预测结果YELM；

步骤S8：由步骤S3进一步将规范变量空间分成主空间和残差空间，得到规范变量Zr扩展成扩展矢量，再根据残差空间定义过去观测矢量的线性组合，从而得到状态矢量xr、xr‑1，确定系统状态；

步骤S9：通过线性最小二乘递归估计出模型系数矩阵A、B、C、D，搭建模型，得到CVA状态空间模型的预测结果YCVA；

在步骤S9中，通过线性最小二乘递归估计出模型系数矩阵A、B、C、D，公式如下，其中Xr＝x(r:r+n)、Xr‑1＝x(r‑1:r+n‑1)、Yr＝y(r:r+n)、Yr‑1＝y(r‑1:r+n‑1)、Ur＝u(r:r+n)，ur是原始数据，xr+1＝Axr+Bur (29)搭建状态空间模型，得到CVA状态空间模型的预测结果YCVA；

YCVA＝Cxr+Dur(30)；

步骤S10：对于两个模型预测结果，采取平均绝对百分比误差选择策略，选取每一个样本间误差小的，得到融合驱动负荷预测的结果YParallel；

在步骤S10中，对于两个模型预测结果，采取平均绝对百分比误差MAPE选择策略，其中是预测结果，yi是真实值，公式如下；

计算CVs‑ELM模型的MAPE1、CVA状态空间模型的MAPE2，用condition条件语句选取两个模型间每一个样本间MAPE值小的，得到融合驱动负荷预测的结果YParallel；

步骤S11：对比三类预测结果与真实数据，对比预测的性能指标：平均绝对误差、平均相对误差、均方根误差，得出结论。

2.根据权利要求1所述的数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，在步骤S1中，对采集到的一段时间内的数据进行分割，将其划分为过去数据yp(r)和未来数据yf(r)，公式如下，式中r表示为一类序数，p和f分别指过去和未来观测值的长度；

3.根据权利要求1所述的数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，在步骤S2中，设置r＝p+1,p+2,…,p+N，构造过去和未来的组合矩阵Yp、Yf，公式如下：Yp＝[yp(p+1)yp(p+2)…yp(p+N)]                  (5)Yf＝[yf(p+1)yf(p+2)…yf(p+N)]                (6)其中Yp∈R、Yf∈R，设置l个观测变量，则yp(p+1)最后一个元素是y(1)，yf(p+N)最后一个元素是y(l)，即Hankel矩阵最大列数是N＝l‑p‑f+1，计算过去和未来观测值的协方差矩阵和它们之间的互协方差矩阵，公式如下：

4.根据权利要求1所述的数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，在步骤S3中，CVA试图发现yp(r)和yf(r)之间的最佳线性组合，以最大化过去和未来观测值之间的相关性，通过对Hankel矩阵进行奇异值分解来实现，公式如下，基于过去测量值得到规范变量Zr和转换矩阵J，公式如下，

5.根据权利要求1所述的数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，在步骤S5中，将数据u'分为训练数据p1、t1和测试数据p2、t2，并进行归一化处理，公式如下，其中输入数据P＝[p1p2]，输出数据T＝[t1t2]，[p1,minp,maxp,t1,mint,maxt]＝premnmx(P,T)                      (13)创建极限学习机，设定输入层和隐含层数量S、L,随机初始化输入层与隐含层间的连接权值IW和隐含层偏置B1，公式如下，

IW＝2*rand(L,S)‑1                 (14)B1＝rand(L,1)                 (15)。

6.根据权利要求1所述的数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，在步骤S6中，计算隐含层的输出值tempH,利用映射函数得到隐含层对样本特征的映射值h，然后计算隐含层与输出层的连接权值LW,公式如下，tempH＝IW*p1+B1                  (16)LW＝pinv(h')*t1                (18)。

7.根据权利要求1所述的数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，在步骤S7中，对训练好的模型，重复步骤S6，计算tempH1和h1，得到CVs‑ELM模型的预测结果YELM，tempH1＝IW*P+B1                  (19)YELM＝h1'*LW                 (21)。

8.根据权利要求1所述的数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，在步骤S8中，根据步骤S3中转换矩阵J，转换过去测量值到规范变量空间划分成：主空间和残差空间，前Q个主要奇异值确定主空间xr，剩余的奇异值确定残差空间rr，规范变量Zr进一步扩展成扩展矢量，公式如下，其中Vx包含V的前Q列，根据残差空间定义过去观测矢量的线性组合，从而得到状态矢量xr、xr‑1，确定系统状态，公式如下，其中0∈R，矩阵全是零元素， 是递推建立模型过程中r采样时刻的过去观测矢量，

9.根据权利要求1所述的数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，在步骤S11中，对比三类预测结果与真实数据，对比预测的性能指标MAE、MRE、RMSE，得出结论，公式如下；

步骤S1至步骤S7为搭建CVs‑ELM模型部分，步骤S8至步骤S9为搭建CVA状态空间模型阶段，步骤S10至步骤S11为融合驱动预测部分并得出结论。