1.一种基于改进霸王龙优化神经网络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：对冷水机组历史运行数据进行数据降噪处理，并划分数据集为训练集和测试集；

所述步骤S1中的数据降噪处理方法为滑动平均法，公式如下：

其中，yn表示平滑处理后的中心点数据，r为滑动窗口的半径，Xi表示滑动窗口内的各个数据点；

步骤S2：使用主成分分析法PCA筛选出影响冷水机组负荷的主要成分，得到投影矩阵，使用投影矩阵对训练集和测试集数据进行降维处理；

步骤S3：对降维后的数据进行归一化处理，将处理后的数据作为BP模型输入数据，冷水机组负荷作为BP模型输出数据，根据BP模型的输入输出数据确定各层节点个数，完成BP模型初始化；

步骤S4：针对收敛速度慢、易陷入局部极值的问题，集成多种改进策略对霸王龙优化算法TROA进行改进，得到改进霸王龙优化算法ITROA，提高算法搜索寻优能力，加快算法收敛速度；

所述步骤S4集成多种策略改进霸王龙优化算法的具体步骤如下：步骤S41：传统霸王龙优化算法按照如下公式进行种群初始化，种群中个体位置代表一组BP神经网络模型的权重和阈值：xi＝rand(np,dim)*(ub‑lb)+lb

其中，xi为种群中每个猎物初始化后的位置，np为种群个体数量，dim为搜索空间维度，ub和lb分别为搜索空间上限和下限；

步骤S42：引入融合高斯变异的Tent混沌映射策略，对初始化后的种群进行融合混沌映射，使其分布均匀，高斯变异公式如下：x′＝x+σ*N(0,1)

其中，x是原始个体，σ是高斯变异的方差，控制变异的强度，N(0,1)是标准高斯分布的随机数；

融合高斯变异扰动和Tent混沌映射的种群初始化公式如下：

其中,xi+1表示混沌映射后的猎物的位置,xi表示初始化后猎物的位置；

步骤S43：计算经过混沌映射的猎物种群的适应度函数值，确定最小适应度函数值F1；

选择算法的适应度函数为训练集数据的均方误差MSE，计算公式如下：其中，m为训练集数据数量， 是模型预测值和实际值之间的误差，yi代表训练集数据的负荷预测值，y代表训练集数据的负荷实际值；

步骤S44：霸王龙将最小适应度函数值F1对应的个体作为目标猎物，开始狩猎并更新猎物位置，计算更新位置后的种群适应度函数值F2，霸王龙优化算法中考虑到实际捕猎过程中存在失败的可能性，提出成功率估计值Er，Er影响猎物更新位置的方式，猎物更新位置的公式如下：xnew＝x+rand()*sr*(x*tr‑target*pr)其中，x为猎物原始位置，xnew为更新后的猎物位置，target为目标猎物位置，rand()为0到1之间均匀分布的随机数，sr为成功率，tr为霸王龙狩猎速度，pr为猎物逃逸速度；

引入非线性收敛因子计算成功率估计值Er，引入非线性收敛因子，使Er在迭代前期缓慢递减，使得霸王龙充分探索空间，寻找到全局最优解，迭代后期Er快速下降，增强霸王龙的深度开发能力，针对集中的目标方向展开搜索，寻找局部最优解，引入非线性收敛因子的Er计算公式如下：其中，t表示当前迭代次数，tmax表示最大迭代次数；

步骤S45：在霸王龙狩猎过程结束后，完成对种群个体位置的更新，引入复合对立学习COBL策略，以更新位置后的种群为原始解，生成种群的对立解，计算对立解的适应度函数值F3，复合对立学习公式如下：其中，Xi是更新位置后的解，XCOBL是Xi的对立解，s是距离系数，lb和ub分别是搜索空间的下限和上限；

步骤S46：比较原始解适应度函数值F2与对立解适应度函数值F3的大小，若F3

步骤S5：使用ITROA对BP模型的权重和阈值进行寻优，将优化后的参数赋给模型，使用训练集数据训练模型，得到ITROA‑BP预测模型，并采用测试集数据测试模型，输出负荷预测结果，计算评价指标评估模型性能。

2.根据权利要求1所述的基于改进霸王龙优化神经网络的冷水机组负荷预测方法，其特征在于，所述步骤S2中使用PCA筛选影响冷水机组负荷的主要成分，并降维处理数据的具体步骤如下：步骤S21：对冷水机组运行数据采用Z‑score标准化处理，经过步骤S1降噪处理得到的训练集数据矩阵为X，假设P为训练集数据的变量个数，N为训练集数据的样本数，Z‑score标准化处理后训练集数据矩阵X中的每个数据表达式如下：其中，

步骤S22：求解Z‑score标准化处理后训练集数据的协方差矩阵R＝(rij)P×P，矩阵R中rij的表达式如下：*

其中，rij表示第i个变量和第j个变量之间的协方差，Xkj是标准化处理后训练集数据中*第k个样本在第j个变量上的值，Xki是标准化处理后训练集数据中第k个样本在第i个变量上的值；

步骤S23：根据步骤S22中求得的协方差矩阵，计算训练集数据的特征值和特征向量，在得到协方差矩阵R的基础上，求解特征方程|R‑λIP|＝0，得到特征值λi，i＝1,2,…,P，按照λ1≥λ2≥…λP≥0的顺序对求得的特征值进行排序，然后求解各特征值对应的特征向量e11,e22,…,ePP；

步骤S24：确定主成分个数l，按照预设累计贡献率阈值筛选出前l个特征值，得到降维矩阵，主成分l值的选取取决于各主成分的贡献率和累计贡献率，主成分的贡献率越高，其包含的原始信息就越多，当前l个主成分的累计贡献率大于85％时，认为前l个主成分包含了数据大部分的原始信息；

前l个主成分的累计贡献率γl通过下式计算：

其中，λi表示求解特征方程后按降序排序的第i个特征值；

步骤S25：使用降维矩阵分别乘以标准化处理后的训练集数据和测试集数据，得到经过PCA降维处理的训练集数据和测试集数据。

3.根据权利要求1所述的基于改进霸王龙优化神经网络的冷水机组负荷预测方法，其特征在于，所述步骤S3归一化处理数据确定BP模型各层节点数的具体步骤如下：步骤S31对PCA处理后的训练集、测试集数据进行Min‑Max归一化处理，计算公式如下：其中，x′表示归一化后的数据，x表示原始数据，xmin表示原始数据中的最小值，xmax表示原始数据中的最大值；

步骤S32：确定BP模型各层节点数，根据归一化处理后的训练集数据确定BP模型输入层节点数，输出层为冷水机组负荷，因此输出层节点数为1，隐含层节点数可通过如下经验公式确定：其中，b和c分别表示输入层和输出层的节点数，a为1到10之间的常数，h为隐含层的节点数。

4.根据权利要求1所述的基于改进霸王龙优化神经网络的冷水机组负荷预测方法，其特征在于，所述步骤S5使用ITROA优化BP模型的权重和阈值，得到ITROA‑BP负荷预测模型具体包括：步骤S51：根据步骤S3中建立的BP模型的各层节点个数，使用公式计算搜索空间维度dim，设置最大迭代次数tmax，sr，tr，pr四个参数，适应度函数Fitness选择为训练集均方误差；

dim与Fitness的具体计算公式如下：

dim＝input*hidden+hidden*output+hidden+output其中，input表示BP神经网络模型的输入层神经元节点数，hidden表示BP神经网络模型的隐含层神经元节点数，output表示BP神经网络模型的输出层神经元节点数；

其中，m为训练集输入数据组数，yi为训练集负荷实际值， 为模型负荷预测值；

步骤S52：使用改进霸王龙优化算法对BP模型的权重和阈值寻优，记录优化过程适应度函数迭代变化情况；

步骤S53：将改进霸王龙优化算法的优化结果，即BP模型的最佳权重和阈值，赋给步骤S3中经过初始化的BP神经网络模型，并使用训练集数据训练模型，得到训练好的ITROA‑BP负荷预测模型；

步骤S54：将测试集数据输入到ITROA‑BP模型中，得到输出的冷水机组负荷预测结果，对预测结果进行反归一化处理；

步骤S55：计算模型预测结果与冷水机组实际负荷之间的误差，基于评价指标评估模型性能。

5.根据权利要求4所述的基于改进霸王龙优化神经网络的冷水机组负荷预测方法，其特征在于，所述步骤S55中的评价指标具体包括均方误差MSE、均方根误差RMSE、平均绝对百2

分比误差MAPE和决定系数R，具体计算公式如下：

其中，yi为负荷实际值， 为负荷预测值，n为数据数量；

其中，yi为负荷实际值， 为负荷预测值，n为数据数量；

其中，yi为负荷实际值， 为负荷预测值，n为数据数量；

其中，yi为负荷实际值， 为负荷预测值， 为负荷实际值的均值，n为数据数量。