1.一种基于cqpso算法的vav空调系统温度控制方法，其特征在于，包括以下步骤：
步骤s1：初始化粒子群，设定种群数为m，粒子维数n，最大迭代次数t，设定比例系数kp、积分系数ki和微分系数kd的初始值ki(0)＝[kp(0)，ki(0)，kd(0)]，并设个体最好位置pi(0)＝f(xi(0))；
步骤s2：计算种群的平均最优位置；
步骤s3：对群体中的每一个粒子i(1≤i≤m)，执行处理操作：
步骤s4：判断是否满足误差精度或达到预设迭代次数；若满足则执行步骤s5，否则，置t＝t+1返回步骤s2；
步骤s5：得到并输出最优解ki(t)
步骤s6：将求得的ki(t)代入pid方程，得到基于cqpso的pid参数优化控制模型，并建立压力无关型变风量末端装置串级控制器。
2.根据权利要求1所述的基于cqpso算法的vav空调系统温度控制方法，其特征在于：所述cqpso算法具体为：
假设在一个n维的目标搜索空间内，有m个粒子构成的群体，其中第i个粒子的吸引子为pi＝(pi，1，pi，2，…，pi，n)，其坐标如式(1)所示；在每一维上以pi坐标pi，j为中心建立一个一维detla势阱，则第j维的坐标基本进化方程如式(2)所示。
pi，j(t)＝φi，j(t)·pi，j(t)+[1-φi，j(t)]·gj(t)(1)
对于li，j(t)的评价，引入平均最好位置c(t)，即所有粒子个体最好位置的平均，其定义如式(3)：
li，i(t)通过式(4)来评价：
li，j(t)＝2α·|cj(t)-xi，j(t)|(4)
根据式(2)和(4)可得到cqpso算法的进化过程如式(5)：
xi，j(t+1)＝pi，j(t)±α·|cj(t)-xi，j(t)|·ln[1/ui，j(t)](5)
式中，ui，j(t)～u(0，1)；t为迭代次数；α为收缩-扩张系数；当ui，j(t)＜0.5时，前符号取“-”，当ui，j(t)≥0.5时，α前符号取“+”；根据式(3)计算得到种群的平均最优位置。
3.根据权利要求2所述的基于cqpso算法的vav空调系统温度控制方法，其特征在于：所述收缩-扩张系数α求解如下
将量子粒子群分成三个子群，分别采用不同惯性权重生成策略；设粒子群的大小为m，第t次迭代中粒子xi的适应度值为fi；粒子群的平均适应度值为
fi＞favg″
适应度值大于favg″的粒子为群体中较差的粒子，α＝1.0
fi＜favg′
适应度值小于favg′的粒子为群体中较优秀的粒子，α＝0.5
favg′≤fi≤favg″
按照x条件云发生器根据粒子适应度值非线性动态调整粒子xi的收缩-扩张系数α。
4.根据权利要求2所述的基于cqpso算法的vav空调系统温度控制方法，其特征在于，所述步骤s3具体为：
步骤s31：计算粒子i的当前位置xi(t)，并将xi(t)的适应度值与前一次迭代pi(t-1)的适应度值比较，若xi(t)的适应度值优于pi(t-1)的适应度值，，则pi(t)＝xi(t)，否则pi(t)＝pi(t-1)；
步骤s32：计算群体当前的全局最优位置，即将pi(t)的适应度值与前一次迭代的全局最优位置g(t-1)作比较，若f[xi(t)]＜f[g(t-1)]，则g(t)＝pi(t-1)；
步骤s33：对粒子i的每一维，根据式(1)计算得到一个随机点的位置；
步骤s34：根据不同的粒子适应度值采取不同的收缩-扩张系数α，其中普通的粒子群用云自适应调整收缩-扩张系数α，根据式(5)更新粒子的新位置。