1.一种用于数据中心系统群控的参数优化的方法，其特征在于，包括步骤：S1，获取数据中心制冷参数及外界环境参数；S2，对所述制冷参数及外界环境参数进行预处理和格式化；S3，基于神经网络的制冷参数，构建机柜温湿度模型；步骤S3包括：S3-1，将数据集按照5:1的比例分为训练集和测试集；S3-2，将训练集随机打乱顺序后分批次输入神经网络；S3-3，构建以全连接层、batch_norm层、激活层、损失层组成的神经网络模型；S3-4，使用Adam优化梯度下降的方式迭代降低损失层输出；S3-5，使用所述测试集进行模型测试，若测试不通过则调节神经网络参数，重复进行S3-2、S3-3、S3-4的操作并保存神经网络模型，直到满足测试条件；S3-6，基于当前神经网络的制冷参数，构建机柜温湿度模型，并输出模拟值；S4，根据位置，将数据中心制冷系统中的机柜进行分组；S5，构建分级分段适应度机制对制冷状况进行评级；步骤S5包括：S5-1，计算模拟值和标准值的绝对差值，并按照实际情况划分不同档次的阈值区间；S5-2，根据S5-1中的绝对差值以及模拟值所处在的阈值区间，计算评级分数，其中，距离标准值越远的阈值区间其评级分数下降越快；S5-3，统计各分组中的各个机柜在S5-2的评级分数，并分配不同权重计算所述分组和整个数据中心制冷系统的最终评级分数，权重分配方式是l2正则化后所占比重的倒数；S6，根据遗传算法迭代求出数据中心制冷的最佳推荐设置参数组合。
2.如权利要求1所述的方法，其特征在于，步骤S1包括：S1-1，利用Restful接口读取所述数据中心制冷参数及外界环境参数；S1-2，根据实际拓扑位置和操作方法对所述数据中心制冷参数及外界环境参数进行分组并选取特征和标签。
3.如权利要求1所述的方法，其特征在于，步骤S2包括：S2-1，对所述制冷参数及外界环境参数进行预处理，根据所述特征和标签，通过主成分分析提取其主要特征信息；S2-2，对所述主要特征信息进行格式化和归一化，输出所需参数数据集；其中，S2-1具体包括：S2-1-1，将已得到的所述制冷参数及外界环境参数中的非数值性数据项进行one-hot编码；S2-1-2，使用IForest检测筛选并剔除离群值；S2-1-3，采用xgboost进行交叉验证，基于主成分分析得到各个特征的重要度，剔除重要性低的特征数据项，保留主要特征信息。
4.如权利要求1所述的方法，其特征在于，S3-3具体包括：S3-3-1，将数据输入经过batch_norm层，其中，方差和均值通过直接计算每个批次的数据得到，缩放系数和偏移系数由网络学习得到；S3-3-2，将S3-3-1的结果输入全连接层和PReLU激活层交替的单元结构，重复N次；S3-3-3，将S3-3-2的结果输入全连接层和tanh激活层单元结构；S3-3-4，将S3-3-3的结果输入到损失层中，其中，损失函数为MSE；其中，S3-5具体包括：S3-5-1，计算训练集的数据输入输出对和测试集的数据输入输出对的输入相似度值和输出差值，所述输入相似度值的计算包括：其中，m i 代表第i批训练集数据输入的均值，m代表测试集数据输入的均值，σ i 代表第i批训练集数据输入的标准差，σ代表测试集数据输入的标准差；S3-5-2，确定是否满足以下测试条件：a.所述输入相似度值是否大于或等于相似度阈值，以及b.所述输出差值是否小于或等于差值阈值；S3-5-3，若存在不满足上述条件的数据批次，则对神经网络参数进行调节，重复进行S3-2、S3-3、S3-4的操作并保存神经网络模型，直到满足测试条件。
5.如权利要求1所述的方法，其特征在于，步骤S6包括：S6-1，初始化种群，所述种群中每个维度代表一个可调制冷参数，其中，初始化标准基于各参数的均值；S6-2，父种群分别经过选择、交叉、变异步骤产生下一代种群，其中每一步骤的概率取决于S5中得到的评级分数；S6-3，对所述选择、交叉、变异的概率进行自适应调整，调整方式遵循随着适应度即评级分数的提高，个体保留概率线性提高；S6-4，重复进行S6-2、S6-3，直到达到优化标准或迭代次数为止；S6-5，得到所述数据中心制冷系统群控的最佳推荐设置参数组合。
6.如权利要求4所述的方法，其特征在于，所述N＝4。
