1.一种基于风电功率爬坡预测的风‑蓄‑氢混合储能控制方法，其特征在于，包括以下步骤：步骤1，利用经验模态分解将原始风电功率分解为各序列分量，将分解后的各本征模态函数分量和剩余分量作为输入量建立基于各序列分量的最小二乘支持向量回归风电预测模型，并使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数，通过优化后的模型得到风电功率预测序列；

步骤2，将风电功率预测序列作为输入，利用累加‑摇摆窗算法对其中的风电爬坡事件进行识别；

步骤3，提取所识别风电爬坡事件的特征值，将所述的风电爬坡事件的特征值作为输入，通过多网络前馈算法计算风电爬坡抑制效能指标；

步骤4，将风电功率预测序列和状态变量输入至超前模型控制系统控制蓄电池及氢循环装置的出力，所述超前模型控制系统中的能量损失指标的影响因子使用步骤3所得风电爬坡抑制效能指标替代；

步骤1中所述的智能虫群算法包括以下步骤：

t t t t

(11)随机生成N个虫巢的初始种群，迭代过程中种群B(t)＝{Xi ，Xi ＝xi1 ，xi2 ，...，t txiD}，其中i＝1，2，...，N，D为虫巢的位置维数，t为当前的迭代次数，Xi 为第i个虫巢的第tt次迭代向量，xik表示第t次迭代第i个虫巢的第k维向量；

(12)计算每个虫巢的适应度函数Fi及其在虫群中被选中的概率Pi；

(13)动态更新种群，更新表达式为：

式中，k为各分量相应的维数，xjk为当前随机搜索到的最佳虫巢位置，xop，k为整个虫群中的最佳虫巢位置，λk为步长因子，j由轮盘赌机制得到，Pj为目标虫巢被选中的概率，α为步长上限；

(14)计算虫巢的随机变异的概率为：

σ＝Z×(Vmax‑Vmin)

t 2

式中，N(xik ，σ)为正态分布，N(0，1)为0‑1分布，σ为标准差，Z为缩放比例系数，为0到1之间的随机数，Vmax和Vmin分别为虫巢位置的上下边界；

(15)组合旧群体和变异后的群体，保留组合群体中适应度函数值最小的个体；此时若满足终止条件，则输出最佳位置及其对应的最优值，反之，则继续进行迭代；

步骤(12)中所述的计算每个虫巢的适应度函数Fi及其在虫群中被选中的概率Pi，计算式分别为：其中，f(xi)为第i个虫巢xi的优化目标函数；Fi为适应度函数，Pi为每个虫巢在虫群中被选中的概率，N为虫巢总数；

步骤1中所述的使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数，是将所述正则化参数和核参数组成参数组(γ，σ)作为所述智能虫群算法的虫巢位置，通过所述智能虫群算法得到的最佳虫巢位置作为最小二乘支持向量回归风电预测模型的最优参数；其中，所述适应度函数中的优化目标函数为：式中，及yi分别为对原始风电功率数据经模态分解后得到的各序列风电功率数据经归一化处理后的第i个样本的输出功率预测值及真实值，n为各序列中的原始风电数据的样本总数，γmin，γmax分别为正则化参数γ的上下限，σmin，σmax分别为核参数σ的上下限；

步骤2中所述的累加‑摇摆窗算法包括以下步骤：

(21)使用摇摆窗算法将风电功率预测序列进行压缩分段化处理；

(22)在压缩分段化处理后的风电功率预测序列上任取一个时间区间(i，j)，k(i＜k＜j)为其中的任意时刻；

(23)在风电功率预测序列上构造目标函数J(i，j)：

该目标函数的约束条件为：

2

S(i，j)＝(j‑i) ×R(i，j)

其中，S(·)为累加函数，S(i，k)是对应于子区间(i，k)的得分值，R(i，j)代表子区间(i，j)上的一起爬坡事件，当(i，j)符合爬坡事件的定义时，R(i，j)被赋值为a；反之，R(i，j)则被赋值为b，其中a，b为常数；所述爬坡事件的定义是，当满足不等式(pj‑pi)/(tj‑ti)＞λup或(pj‑pi)/(tj‑ti)＜‑λdown时，即视为一起爬坡事件；其中，λup与λdown为爬坡事件分界值；pj和pi分别为其对应时刻tj和ti的功率；

(24)满足目标函数的时间区间识别为风电爬坡事件；

步骤4中所述的将风电功率预测序列和状态变量输入至超前模型控制系统控制蓄电池及氢循环装置的出力，包括以下步骤：(41)将风电功率预测序列和状态变量作为输入，通过AMC控制系统模型初步预测风‑蓄‑氢混合储能系统未来一段时刻的过程输出，所述过程输出包括并网功率、蓄电池剩余能量以及储氢罐的储氢量；

(42)将模型的初步预测结果作为输入，通过AMC控制系统模型，得到最优控制输入变量，作用到储能系统中，控制蓄电池及氢循环装置的出力，所述控制输入变量包括蓄电池的充放电功率及氢循环装置的充放电功率；

(43)将上一时刻的并网功率和储能系统状态作为反馈量构成闭环控制，将上一时刻的风电功率预测值作为控制器输入，进行下一阶段的控制；

所述AMC控制系统模型包括状态空间模型、目标函数及目标函数的约束条件，所述目标函数为：式中，ΔE＝ψclimb·[(‑u1(k)·(1‑ηB)·Δt‑u2(k)·(1‑ηH)·Δt)+Δt·Δx1(k)]，其中，Δx1(k)为并网功率波动指标，Δu1(k)为蓄电池的充放电功率变化指标，ΔE为系统的能量损耗指标；λ1、λ2、λ3分别为三个子目标函数的权重，所述三个子目标函数的权重采用适应度函数变差系数排序法确定，ψclimb为能量损失指标的影响因子， 为蓄电池充放电过程的转换效率，ηBc为蓄电池充电效率，ηBd为蓄电池放电效率，PB(t)表示蓄电池的充放电功率； 为氢储能系统的充放电效率，ηHc为氢储能系统充电效率，ηHd为氢储能系统放电效率，PH(t)为氢循环装置的充放电功率； 为决策时刻数，T为AMC控制的周期时长，Δt为波动时间尺度，u1(k)、u2(k)分别为蓄电池的充放电功率及氢循环装置的充放电功率。

2.根据权利要求1所述的基于风电功率爬坡预测的风‑蓄‑氢混合储能控制方法，其特征在于，步骤(21)中所述的摇摆窗算法包括以下步骤：(21‑1)初始化计算：

(0) (0)

式中，E为压缩阈值，k1new 是上边界窗斜率初始值，k2new 是下边界窗斜率初始值，t0为所选取时间序列初始时刻，p0为所选取时间序列初始时刻的风电功率预测值，t1为所选取时间序列下一时刻，p1为所选取时间序列下一时刻的风电功率预测值；

(21‑2)计算tj时刻对应的上边界窗斜率k1、下边界窗斜率k2；

式中，pj是风电功率预测数据序列中的第j项，tj是时间序列中的第j项，k1为上边界窗斜率、k2为下边界窗斜率；

(21‑3)更新上、下边界窗斜率，计算式为：

k1new、k2new分别是在执行步骤(21‑2)以前上、下边界窗斜率的值；

(21‑4)数据压缩及选取：

k1new≥k2new

若满足上式，此时压缩分段过程结束，存储前一时刻tj‑1的数据值pj‑1，并将其作为新的起点，返回步骤(21‑1)，开始执行下一个压缩过程；否则返回步骤(21‑2)，继续执行本次压缩，更新项数j＝j+1。

3.根据权利要求1所述的基于风电功率爬坡预测的风‑蓄‑氢混合储能控制方法，其特征在于：步骤3中所述的提取所识别风电爬坡事件的特征值，所述特征值包括爬坡率、爬坡幅值和爬坡持续时间，所述爬坡率是单位时间内风电输出功率的变化，所述爬坡幅值指的是发生爬坡事件期间风电输出功率的变化，所述爬坡持续时间是发生爬坡事件期间风电输出功率的持续时间。

4.根据权利要求1所述的基于风电功率爬坡预测的风‑蓄‑氢混合储能控制方法，其特征在于，步骤3中所述的多网络前馈算法包括以下步骤：(31)构建包含风电爬坡特征的数学模型；其中，所述风电爬坡特征包括爬坡率、爬坡幅值、爬坡持续时间，作为多网络前馈算法的输入；

(32)确定多网络前馈算法的网络结构，包括输入层、隐含层和输出层的节点数；

(33)对多网络前馈算法的各项参数初始化；

(34)使用K均值聚类算法进行迭代，得到基函数的中心与宽度；

(35)使用下降梯度法确定权值向量，利用误差函数判断，若误差达到标准，则输出最终权重，结合所选基函数得到多网络前馈算法的输出风电爬坡抑制效能指标。

5.根据权利要求1所述的基于风电功率爬坡预测的风‑蓄‑氢混合储能控制方法，其特征在于，所述目标函数的约束条件为：

0≤x1(k)≤PWm，k＝1，2，...，N

EBmin≤x2(k)≤EBmax，k＝1，2，...，Nx3(k)≥0

式中，PWm表示风电场额定容量，PBcm为蓄电池最大充电功率，PBdm为蓄电池最大放电功率，PHcm为氢储能装置最大充电功率，PHdm为氢储能装置最大放电功率，EBmin为蓄电池剩余能量下限，EBmax为蓄电池剩余能量上限；

所述状态空间模型为：

其中，x1(k)、x2(k)及x3(k)分别为并网功率、蓄电池剩余能量以及储氢罐的储氢量，y(k)为过程输出量矩阵，u1(k)、u2(k)分别为蓄电池的充放电功率及氢循环装置的充放电功率，扰动变量r(k)为风电机组输出的原始有功功率。