1.一种空调负荷短期预测方法，其特征在于，具体步骤如下：

S1、采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据，采用灰色关联度分析法计算所述历史数据与当前时刻空调冷负荷之间的关联度，剔除关联度低于0.8的历史数据，剩余的历史数据作为输入变量构成训练集Tr，利用训练集Tr和当前时刻空调冷负荷构造SVM预测模型，并初始化SVM预测模型的参数；

S2、计算麻雀算法中每只麻雀的适应度值，利用适应度值对麻雀种群中的发现者、跟随者以及侦察预警者的位置进行更新得到非线性单纯形法的初始种群，利用非线性单纯形法找出初始种群中适应度值最差的麻雀个体进行反射操作，直至适应度值趋于稳定或迭代次数达到最大时终止，输出SVM预测模型的初始最优超参数；

S3、利用初始最优超参数对SVM预测模型进行训练，得到训练好的NM‑SSA‑SVM空调负荷预测模型；

S4、将待检测数据集输入训练好的NM‑SSA‑SVM空调负荷预测模型中进行短期空调负荷预测。

2.根据权利要求1所述的一种空调负荷短期预测方法，其特征在于，步骤S2中，所述适应度值采用均方误差函数计算，公式如下：（11）

其中，为实际值，y为预测值，n为预测点个数。

3.根据权利要求1所述的一种空调负荷短期预测方法，其特征在于，步骤S2中，侦察预警者的位置更新后，根据更新后的侦察预警者位置，产生一个一次寻优后的麻雀新种群，并对新种群中所有的适应度值进行更新并排序，产生非线性单纯形法的初始种群。

4.根据权利要求1所述的一种空调负荷短期预测方法，其特征在于，步骤S2中，利用非线性单纯形法找出最优点 ，次优点 ，最差点 及中心位置 ，对初始种群中最差适应度值的麻雀个体的最差点 进行反射操作，得到反射点 ，判断反射方向是否是产生最优方案的方向，当适应度值趋于稳定或迭代次数达到最大时终止，若满足就获取初始最优超参数c和 ，否则，对麻雀种群中的发现者、跟随者以及侦察预警者的位置进行更新。

5.根据权利要求4所述的一种空调负荷短期预测方法，其特征在于，判断所述反射方向是否是产生最优方案的方向，具体寻优操作如下：若 ，执行扩张操作；

若 ，则 ；

若 ，执行压缩操作；

若 ，执行收缩操作。

6.根据权利要求1所述的一种空调负荷短期预测方法，其特征在于，步骤S1中，选择当前时刻空调冷负荷为输出变量，所述训练集Tr包括前1时刻、前2时刻、前24时刻的冷负荷、室外温度、湿球温度、相对湿度以及前一时刻的太阳辐射强度和室外风速在不同时刻的历史数据。

7.根据权利要求1所述的一种空调负荷短期预测方法，其特征在于，步骤S1中，对采集的训练集Tr进行归一化和反归一化处理后构造SVM预测模型。

8.根据权利要求1所述的一种空调负荷短期预测方法，其特征在于，步骤S2中，根据训练集 ，构造SVM的网络拓扑架构：（7）

其中， ， ，为输入的第i个特征向量，为输出的第i个特征向量，为训练样本总数， 为拉格朗日因子， 为向量机核函数，b为截距。

9.根据权利要求8所述的一种空调负荷短期预测方法，其特征在于，步骤S2中，所述向量机核函数为高斯核函数，采用高斯核函数建立SVM模型，其模型形式为：（8）

其中，g为核参数。

10.一种空调负荷短期预测系统，其特征在于，包括：

数据预处理模块，用于采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据得到样本数据集，对样本数据集进行预处理，并将样本数据集分成训练集Tr和测试集Te；

建模模块，用于选定的训练集Tr和当前时刻空调冷负荷构建SVM预测模型，并初始化SVM预测模型的参数；

寻优模块，用于计算麻雀算法中每只麻雀的适应度值，利用适应度值对麻雀种群中的发现者、跟随者以及侦察预警者的位置进行更新得到非线性单纯形法的初始种群，利用非线性单纯形法找出初始种群中适应度值最差的麻雀个体进行反射操作，直至适应度值趋于稳定或迭代次数达到最大时终止，输出SVM预测模型的初始最优超参数，利用初始最优超参数对SVM预测模型进行训练，得到NM‑SSA‑SVM空调负荷预测模型；

预测模块，将待检测数据集输入NM‑SSA‑SVM空调负荷预测模型中进行短期空调负荷预测，输出当前时刻空调冷负荷的预测值。