1.一种基于负相关学习和正则化极限学习机集成的风速预测方法，其特征在于，包括如下步骤：步骤一：收集风电场历史实测风速数据，根据历史实测风速数据建立风速时间序列，采用最优变分模态分解-样本熵分解方法将原始风速时间序列分解为若干个具有不同复杂程度的子序列；

步骤二：将步骤一所得的每一子序列归一化至[0,1]区间，计算子序列的偏自相关函数值，选择95％置信水平下显著的滞后时间序列建立输入矩阵，目标变量为输出向量，并将全部样本数据的前70％作为训练样本，剩余30％作为检验样本；

步骤三：利用步骤二中的训练集，对每一子序列，建立基于负相关学习和正则化极限学习机集成的预测模型，获得最优模型参数；

步骤四：将步骤三所得的最优模型参数以及步骤二中检验样本输入基于负相关学习和正则化极限学习机集成的预测模型，得到检验阶段的预测值并反归一化，将所有子序列的预测结果进行求和，得到最终风速预测值；

步骤五：计算均方根误差RMSE，平均绝对误差MAE，相关系数R和平均绝对百分误差MAPE，评价所提出的风速预测方法的性能。

2.根据权利要求1所述的基于负相关学习和正则化极限学习机集成的风速预测方法，其特征在于，所述步骤一中采用最优变分模态分解-样本熵分解方法将原始风速时间序列分解为若干个具有不同复杂程度的子序列包括如下步骤：步骤2.1：采用最优变分模态分解最优变分模态分解将原始风速时间序列分解为具若干个变分模态和一个残差分量的集合；

步骤2.2：计算每个变分模态和残差分量的样本熵；

步骤2.3：将样本熵近似的子序列进行聚合形成新的子序列。

3.根据权利要求1所述的基于负相关学习和正则化极限学习机集成的风速预测方法，其特征在于，建立所述步骤三中基于负相关学习和正则化极限学习机集成的预测模型主要步骤为：步骤3.1：给定一组正则化极限学习机基模型和K个训练样本{(xk,yk)},k＝1,2,...,K，计算第i个正则化极限学习机基模型第k个训练样本的输出fi(xk)，然后计算集成模型第k个训练样本的输出fens(xk)；

步骤3.2：采用正则化极限学习机基模型的输出fi(xk)和集成模型的输出fens(xk)来定义基模型去相关惩罚函数pi；

步骤3.3：添加去相关惩罚项pi到误差函数，计算集成模型第i个基模型的去相关误差ei(xk)；

步骤3.4：采用正则化极限学习机算法和步骤3.3)中提到的去相关误差来训练各正则化极限学习机基模型，得到集成模型隐含层输出权矩阵wens。

4.根据权利要求1所述的基于负相关学习和正则化极限学习机集成的风速预测方法，其特征在于，所述步骤三中模型参数包括正则化极限学习机基模型个数、隐含层节点个数和正则化参数以及负相关学习惩罚因子，采用网格搜索法对模型参数进行筛选获得最优模型参数。

5.根据权利要求1所述的基于负相关学习和正则化极限学习机集成的风速预测方法，其特征在于，所述步骤五中的4个指标的计算公式如下：式中，vf(i)和vo(i)为第为第i个样本的预测值和实测值； 和 分别表示检验样本的平均预测值和平均实测值；N表示检验样本集的大小。