1.一种基于改进哈里斯鹰算法优化ELM的风速预测方法，其特征在于，包括以下步骤：(1)获取气象站点的历史风速数据和其他气象数据；所述其他气象数据包括温度、气压和湿度数据；

(2)对采集的数据进行预处理，将处理好的数据归一化，得到预测样本X；

(3)对预测样本X应用正交矩阵进行处理得到新的预测样本XP；并划分为训练集和测试集；

(4)采用拉丁超立方抽样对哈里斯鹰算法的初始种群进行初始化；

(5)对哈里斯鹰算法的局部搜索采用混沌搜索进行处理；

(6)确定最优ELM参数并建立基于改进哈里斯鹰算法优化极限学习机的预测模型，对风速进行预测；

所述步骤(4)包括以下步骤：

(41)确定维度空间的大小为N，并将每一个维度均等分成m分，使得每一份的概率相同；

(42)在每一个维度中的每一个区间随机提取一个点；

(43)从每一个维度中随机提取步骤(42)中选中的点，并组成向量；

所述步骤(5)包括以下步骤：

(51)利用哈里斯鹰算法得到全局最优值并在其附近选取i个与目前全局最优有微小差距的个体，并利用Logistic映射来产生混沌变量，其公式为：Xe+1＝λXe(1‑Xe)

其中，Xe为混沌变量X在第e次迭代时的值，Xe∈[0,1]，λ是控制参数；

(52)将混沌变量通过公式引入到优化变量，并将混沌运动的遍历范围放大到优化变量的取值范围，再利用混沌变量进行搜索，其公式为：Xk＝a+(b‑a)Xe

其中，Xk为需要优化的变量，a和b为Xk的定义区间的上限和下限；

所述步骤(6)包括以下步骤：

(61)确定极限学习机的阈值初值φ，0<φ<1，搜索空间维度大小dim，隐含层神经元个数h，激活函数H令初始t＝1；

(62)在给定条件下训练极限学习机，建立回归模型，得到训练误差；

(63)确定最大迭代次数T＝50，种群大小N＝100，在给定的样本中，计算猎物的初始位置，对于适应度值最优的个体将其设置为当前猎物的位置，更新公式为：其中，X(t)是当前个体的位置，X(t+1)是下一次个体的位置，t是迭代的次数，Xd(t)是随机选出的个体位置，Xr(t)是猎物的位置，r1,r2,r3,r4,p都是[0,1]之间的随机数，p是用来随机选择要采用的更新方式，Xm(t)是个体平均位置，表达式为：其中，Xk(t)为种群中的第k个个体的位置，N是种群的规模大小；

(64)计算逃逸能量，根据逃逸能量的不同来判断算法执行的操作，公式为：其中，E0是猎物的初始能量，随机取值范围是[‑1,1]，t是迭代次数，T是最大迭代次数；

(65)当0.5≤|E|<1且r≥0.5时，根据以下公式更新位置：X(t+1)＝△X(t)‑E|JXr(t)‑X(t)|当0.5<|E|且r≥0.5时，根据以下公式更新位置：X(t+1)＝Xr(t)‑E|△X(t)|

当0.5≤|E|<1且r<0.5时，根据一下公式更新位置：Y＝Xr(t)‑E|JXr(t)‑X(t)|当|E|<0.5且r<0.5时，根据以下公式更新位置：Y＝Xr(t)‑E|JXr(t)‑Xm(t)|Z＝Y+S*LF(D)

其中，E是逃逸能量，r是[0，1]之间的随机数，X(t)是当前个体的位置，X(t+1)是下一次个体的位置，t是迭代的次数，Xd(t)是随机选出的个体位置，Xr(t)是猎物的位置，Y和Z是更新过后的个体位置，LF是莱维飞行的数学表达式，D和S是求解问题的维数和随机向量；

(66)令t＝t+1，跳转至步骤(62)，直至T次迭代结束；

(67)选取最优的位置信息作为权值w和偏置b，建立基于改进哈里斯鹰算法优化极限学习机的模型。

2.根据权利要求1所述的基于改进哈里斯鹰算法优化ELM的风速预测方法，其特征在于，所述步骤(2)通过以下公式实现：其中，Xi为历史数据，Xmin为历史数据样本中最小值，Xmax为历史数据样本中的最大值，X为预测样本。

3.根据权利要求1所述的基于改进哈里斯鹰算法优化ELM的风速预测方法，其特征在于，步骤(3)所述的训练集和测试集的比例为7:3。

4.根据权利要求1所述的基于改进哈里斯鹰算法优化ELM的风速预测方法，其特征在于，所述步骤(3)包括以下步骤：(31)对预测样本X进行中心化处理；

(32)计算协方差矩阵

(33)对矩阵Q进行特征值分解，得到m个特征值，并选取前k个特征值对应的特征向量构成矩阵Qi；

(34)将矩阵Qi投影至新的特征空间，即可得到新的样本Xp，并将样本XP作为新的输入样本；

1 2 n

其中，X＝{X ,X ,...,X}为输入样本，n为样本总数，每个样本的维度为m，Q为m*m维的对称矩阵，Qi为k*m维的矩阵，Xp为m*n的矩阵。

5.一种采用如权利要求1‑4任一所述方法的基于改进哈里斯鹰算法优化ELM的风速预测系统，其特征在于，包括数据采集模块、参数确定模块、风速预测模块和预测性能评价模块；

所述数据采集模块，用于采集相关历史数据，并对数据进行处理；所述数据采集模块包括数据清洗单元和特征提取单元；所述数据清洗单元将采集好的数据进行清洗和归一化的处理；所述特征提取单元采用正交矩阵对样本进行处理并得到新的样本；

所述参数确定模块，采用改进哈里斯鹰算法优化极限学习机的参数，获得最优参数；所述参数确定模块包括ELM参数确定单元和模型参数确定单元；所述ELM参数确定单元确定极限学习机的隐含层神经元个数，初始权值和阈值；所述模型参数确定单元确定模型的迭代次数和种群大小；

所述风速预测模块，用于在处理后的新样本上，采用改进哈里斯鹰算法提升极限学习机模型进行预测；

所述预测性能评价模块，采用平均绝对误差MAE，均方根误差RMSE，平均绝对百分比误2

差MAPE和相关系数的平方R对风速预测结果进行评价。