1.一种基于改进深度极限学习机的风功率预测方法，其特征在于，包括以下步骤：(1)获取风功率数据，建立风功率数据库，同时构建DELM模型；

(2)对采集到的风功率数据进行预处理，获得训练集和测试集；并初始化DELM模型参数；

(3)引入sobol序列初始化灰狼种群，以使初始解在解空间分布更均匀，并且能够有效提高初始解的质量；同时在局部搜索中引入柯西变异策略，加快灰狼算法的收敛速度并提升灰狼算法跳出局部最优的能力；

(4)将预处理后的训练集送入DELM模型中，将经过DELM训练得到的复合加权目标函数值作为混合复合加权目标函数改进后的灰狼算法的适应度值，利用经混合复合加权目标函数改进后的灰狼算法对DELM模型的超参数进行训练寻优，得到DELM各隐含层的最优节点数和最优正则化参数C；

(5)将风功率数据的测试集送入各隐含层含有最优节点个数和最优正则化参数C的DELM模型中，得到风功率预测输出值；

所述步骤(3)实现过程如下：

(31)sobol序列是一种随机序列，用sobol序列初始化灰狼种群，使得灰狼种群分布更为均匀,并提高初始解的质量；具体为设最优解的取值范围为[bestmin,bestmax]，则sobol序列产生的随机数Xi∈[0,1]，则灰狼种群初始位置定义为xinitialize＝xmin+Xi(xmax‑xmin)；

(32)针对标准灰狼算法易陷入局部最优的问题，在灰狼算法的局部搜索中引入柯西变异策略，给予当前最优灰狼个体柯西扰动，当个体陷入局部最优时，柯西算子能够产生较大步长使得灰狼算法跳出局部最优，也能够产生较小步长加快对最优解的搜索速度；引入柯西变异策略后，灰狼最优个体位置更新公式为：ynew(t)＝y(t)×(1+cauchy(0,1))

式中，y(t)为当前灰狼最优个体的值；ynew(t)为当前灰狼个体最优值经过柯西扰动后得到的值，cauchy(0,1)为柯西算子，标准柯西分布函数为式所述步骤(4)包括以下步骤：

(41)初始化灰狼算法参数，包括搜索空间的上下边界，种群规模和最大迭代次数，使用sobol序列初始化灰狼个体位置后，进行迭代搜索；

(42)通过误差测试，输入和输出维度分别为6和1，且隐含层层数为3时，选用sigmoid函数作为激活函数，同时设置正则化参数C的取值范围；

(43)将DELM训练测试得到的复合加权目标函数值作为经混合复合加权目标函数改进后的灰狼算法的适应度值；

(44)比较当前最优适应度值与适应度值，保留适应度值最好的前三头灰狼个体，并根据柯西变异策略更新适应度值最好的前三头灰狼的位置，其余个体在前三个灰狼个体位置的基础上更新自己的位置；

(45)判断是否达到最大迭代次数，若未达到则设置迭代次数加一，然后转到(44)，否则跳转至(46)；

(46)把获得的各隐含层的最优节点数和最优正则化参数C带入DELM模型中。

2.根据权利要求1所述的种基于改进深度极限学习机的风功率预测方法，其特征在于，所述步骤(1)包括以下步骤：(11)设输入样本数据为X＝xi,i∈(1,n)，输出样本数据为Y＝yi,i∈(1,n)；式中，xi为输入样本数据的第i个训练数据，yi为输出样本数据的第i个输出数据，n为样本总数；

(12)设H＝hi,i∈(1,n)为隐含层特征向量的集合，hi为第i个样本对应的特征向量；输入样本数据X与隐含层特征向量集合H关系H＝g(ωX+b)；式中，g为激活函数，选用sigmoid函数作为激活函数，ω为输入层各个节点到隐含层各个节点的输入权值矩阵，b为隐含层各个节点的阈值矩阵；输出样本数据Y与隐含层特征向量集合H关系为Y＝Hξ；式中，ξ为隐含层+ +节点到输出层节点的权重矩阵；ξ＝HY，式中，H为隐含层输出矩阵H的Moore‑Penrose广义矩阵；

(13)确定DELM模型的网络结构：在DELM模型中引入极限学习机自动编码器ELM‑AE得到DELM模型的参数，通过编码器将输入向量映射为隐含层中的特征向量，又通过编码器将特征向量重构为原来的输入向量；

(14)引入一个正则化项，则目标函数为：

式中，C为正则化系数；

(15)构建拉格朗日方程，得到输出权重矩阵为

3.根据权利要求1所述的种基于改进深度极限学习机的风功率预测方法，其特征在于，步骤(2)所述的对采集到的风功率数据进行预处理通过以下公式实现：式中，v(t)min为v(t)中的最小值，v(t)max为v(t)中的最大值，Ti为v(t)中的任意值。

4.根据权利要求1所述的基于改进深度极限学习机的风功率预测方法，其特征在于，步骤(2)所述的初始化DELM模型的参数包括输入层节点数、输出层节点数、隐含层层数和激活函数以及正则化参数C。