1.一种空调负荷预测方法，其特征在于，包括：获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；

提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列；

获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；

将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；

将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值；

所述采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列的方法包括：至少基于所述影响因素与负荷之间的灰色关联度选取所述特征指标，计算所述影响因素与负荷之间的灰色关联度的方法包括：假定负荷的参考序列为y(k)(k＝1,2,…,n)(k是时刻)，负荷的特征指标为x式中：x是特征指标的值；x计算差值：

Δ

求第i个影响因素x

式中：

负荷y与影响因素x

LSTM模型包括遗忘门、输入门和输出门，其中：遗忘门的公式为：

f

输入门的公式为：

i

输出门的公式为：

o

h

式中x为输入，h为输出，i为输入门的输出，f为遗忘门的输出，c为当前的细胞状态，o为输出门的输出，W为权重矩阵，b为偏差矩阵，tanh、σ为激活函数；

GRU模型包括更新门、重置门、候选隐藏层和隐藏层，其中：更新门的公式为：

z

重置门的公式为：

r

候选隐藏层的公式为：

隐藏层的公式为：

其中x为输入，h为输出，z为更新门的输出，r为重置门的输出，所述双向LSTM模型和双向GRU模型中的双向是指当前时刻的输入通过两个方向的单元进行信息传输，每个方向都会产生自己的输出，所述双向LSTM模型和双向GRU模型的输出结果是由两个方向的输出结果拼接而成。

2.如权利要求1所述的空调负荷预测方法，其特征在于，得到空调负荷的预测值后，还包括：对所述预测值进行反归一化处理；

将所述预测值与所述标签数据中的空调负荷的实际值进行对比，计算评价指标；以及基于所述评价指标判断所述预测模型的准确性。

3.如权利要求2所述的空调负荷预测方法，其特征在于，所述评价指标采用平均绝对误差MAE和均方根误差RMSE，计算公式分别为：式中：y

4.一种空调负荷预测系统，其特征在于，包括：样本获取单元，用于获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；

特征筛选单元，用于提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列，具体包括至少基于所述影响因素与负荷之间的灰色关联度选取所述特征指标，计算所述影响因素与负荷之间的灰色关联度的方法包括：假定负荷的参考序列为y(k)(k＝1,2,…,n)(k是时刻)，负荷的特征指标为x式中：x是特征指标的值；x计算差值：

Δ

求第i个影响因素x

式中：

负荷y与影响因素x

模型获取单元，用于获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；所述LSTM模型包括遗忘门、输入门和输出门，其中：遗忘门的公式为：

f

输入门的公式为：

i

输出门的公式为：

o

h

式中x为输入，h为输出，i为输入门的输出，f为遗忘门的输出，c为当前的细胞状态，o为输出门的输出，W为权重矩阵，b为偏差矩阵，tanh、σ为激活函数；

所述GRU模型包括更新门、重置门、候选隐藏层和隐藏层，其中：更新门的公式为：

z

重置门的公式为：

r

候选隐藏层的公式为：

隐藏层的公式为：

其中x为输入，h为输出，z为更新门的输出，r为重置门的输出，所述双向LSTM模型和双向GRU模型中的双向是指当前时刻的输入通过两个方向的单元进行信息传输，每个方向都会产生自己的输出，所述双向LSTM模型和双向GRU模型的输出结果是由两个方向的输出结果拼接而成；

模型训练单元，用于将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；以及负荷预测单元，用于将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。

5.一种空调负荷预测装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至3中任意一项所述的方法。

6.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1至3中任意一项所述的方法。