1.一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法，其特征在于，包括以下步骤：(1)获取预设的时间范围内风电场的各项气象因素的数据时间序列，将数据进行预处理并将处理后的各项数据时间序列转换成为矩阵型数据，并划分为训练集和测试集；

(2)基于灰色关联度理论，分析收集到的各气象因素对风速的影响，并通过灰色关联分析得到的关联度计算特征量权重，取关联度高的作为输入；

(3)确定ELM的网络结构并设定激励函数g(x)与隐含层节点数；

(4)在鲸鱼优化算法中加入混沌初始化、爬山局部搜索，并添加惯性权重进行改进，提高鲸鱼优化算法的优化能力；

(5)构建基于改进的鲸鱼优化算法及ELM的短期风速预测模型，设定参数范围，采用改进的鲸鱼优化算法对模型的权值和偏差进行优化，确定最优预测模型的模型参数，最后采用该预测模型对风速测试集样本进行预测；

所述步骤(2)包括以下步骤：

(21)将风电场收集的历史风速数据设为参考数列，将气象因素设为比较数列；

其中，X(k)为处理前的数据，X′(k)为无量纲化处理后的数据， 为X(k)的n个时刻的平均值；

(23)计算各气象因素的灰色关联系数：

其中，△i(k)是比较序列与参考序列的差值的绝对值，△min和△max分别是△i(k)中的最大值与最小值，ρ为分辨系数；

(24)计算灰色关联度：

其中，ri是第i个气象因素的灰色关联度，n是取样数，ξi(k)是第i个气象因素的灰色关联系数；

(25)根据求得的灰色关联系数大小，对各个比较序列进行敏感性排序；

所述步骤(4)包括以下步骤：

(41)设置鲸鱼优化算法的种群规模、最大迭代次数以及位置维度；并利用混沌初始化生成种群；

(42)计算种群中所有个体的适应度值，得到并记录当前最优的鲸鱼个体位置向量；

(43)利用爬山局部搜索算法对当前最优的鲸鱼个体局部搜索，用搜索到的鲸鱼个体替代已获得的最优鲸鱼个体；

(44)引入参数向量A和C、自适应因子a以及惯性权重ω，计算公式分别为：A＝2a·r1‑a

C＝2r2

其中，t为当前迭代次数，max_iter为最大迭代次数，r1和r2表示[0,1]间的随机数；

(45)引入参数p，p是[0,1]中的一个随机数；判断p是否满足p≤0.5；若是，进入(46)；否则，进入(47)；

(46)判断鲸鱼优化算法的系数向量的取值是否满足|A|<1；若是，对鲸鱼个体位置向量进行收缩包围迭代更新，更新公式为：X(t+1)＝ω·Xrand‑A·Drand

若否，对鲸鱼个体位置向量进行随机搜索捕食迭代更新，更新公式为：X(t+1)＝ωXbest‑A·Dbest

其中，X(t+1)是人工鲸鱼当前迭代更新后所处的位置，Drand＝|C·Xrand‑Xt|表示个体X在位置更新之前距离种群随机个体Xrand的长度，Dbest＝|C·Xbest‑Xt|表示个体X在位置更新之前距离种群最优个体Xbest的长度；参数A为区间[－2，2]上的随机数，当‑1≤A≤1时，当前随机个体Xrand为食物所处位置，人工鲸鱼靠近觅食，当A<‑1或A>1时，人工鲸鱼远离随机个体Xrand，包围食物，向最优个体Xbest的方向收缩捕食范围；C是区间[0，2]上的随机数，控制随机个体Xrand距离当前个体X远近程度的影响；当C>1时，影响程度增强，当C<1时，影响程度削弱；

(47)对鲸鱼个体位置向量按照下式进行螺线捕食迭代更新，更新公式为：ul

X(t+1)＝D′·e ·cos(2πl)+(1‑ω)·Xbest(t)其中，D′＝|Xbest‑Xt|，表示个体X在位置更新之前距离最优个体Xbest的长度，u是塑造螺旋线轨迹的常数，l是区间[－1，1]上的随机数，当l＝‑1时，人工鲸鱼距离食物最近，当l＝1时，人工鲸鱼距离食物最远；

(48)迭代次数加1，判断是否达到鲸鱼优化算法的最大迭代次数，若达到最大迭代次数则结束，否则，进入(49)；

(49)将改进的鲸鱼优化算法输出的最优解送给ELM，作为ELM的权值ω和偏置b，计算隐含层输出矩阵，计算训练误差，返回(42)。

2.根据权利要求1所述的基于改进的鲸鱼优化算法及ELM的短期风速预测方法，其特征在于，步骤(1)所述的将数据进行预处理是对实际风速中存在的突变点进行平滑处理。

3.根据权利要求1所述的基于改进的鲸鱼优化算法及ELM的短期风速预测方法，其特征在于，步骤(2)所述的气象因素包括温度、降雨量、风向、空气密度和湿度。

4.根据权利要求1所述的基于改进的鲸鱼优化算法及ELM的短期风速预测方法，其特征在于，所述步骤(3)所述的ELM的网络结构确定为上限为10，下限为0；激励函数选择Sigmoid函数；隐含层节点数设为9。

5.一种采用如权利要求1‑4任一所述方法的基于改进的鲸鱼优化算法及ELM的短期风速预测系统，其特征在于，包括数据处理模块、灰色关联分析模块和风速预测模块；

所述数据处理模块，对预先获取的原始气象数据进行预处理及归一化；

所述灰色关联分析模块，用于对处理后的数据进行灰色关联分析；所述灰色关联分析模块包括数据处理单元和灰色关联度计算单元；所述灰色关联分析模块将历史风速数据设为参考数列，将气象因素设为比较数列，并对参考数列和比较数列进行无量纲化处理；所述灰色关联度计算单元，计算各气象因素的灰色关联系数与灰色关联度；

所述风速预测模块，利用改进的鲸鱼优化算法及ELM，建立短期风速预测模型，将处理后的数据输入模型中，计算得到预测风速值；所述风速预测模块包括参数优化单元、模型建立单元和风速预测单元；所述参数优化单元通过改进的鲸鱼优化算法优化ELM的权值和阈值，获取最优初始化模型参数；所述模型建立单元，根据各气象因素的灰色关联度，进行特征提取，建立基于改进的鲸鱼优化算法及ELM的短期风速预测模型；所述风速预测单元，根据建立的模型与历史数据构建损失函数，求解损失函数最小值时相对应的参数，并基于求解的参数和建立的模型来预测风电场中的特定风力发电机组的风速。