1.一种基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，包括以下步骤：步骤1、计算数值天气预报风速与实测风速之间的风速误差，再根据风速误差计算风速误差标准差，建立数值天气预报风速与风速误差标准差的关系曲线，将风速误差标准差作为数值天气预报风速的权重；

步骤2、根据数值天气预报风速时间序列建立风速误差标准差时间序列，再根据风速误差标准差时间序列建立权重时间序列；

步骤3、将权重时间序列根据经验模态分解法分解为趋势分量序列和细节分量序列；

步骤4、根据数值天气预报风速时间序列、趋势分量序列和细节分量序列采用门控循环神经网络计算方法建立数值天气预报风速修正模型，进行数值天气预报风速修正。

步骤5、对实测风速与实测风电功率之间的关系进行拟合，使用修正后的数值天气预报风速对风电功率预测。

2.根据权利要求1所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤1中风速误差的计算方法为：e＝Vmeasured-Vnwp，其中Vmeasured为实测风速，Vnwp为数值天气预报风速，e为同个时间实测风速与数值天气预报误差。

3.根据权利要求2所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤1中风速误差标准差的计算步骤为：将数值天气预报风速划分为p个风速区间，p个风速区间的划分公式为：其中Vmax为数值天气预报风速的最大值，Vmin为数值天气预报风速的最小值，ε为采样间隔；

计算p个风速区间中每个风速区间的端点的风速值，计算公式为Vj＝(j-1)ε,(j＝

1,...,p)，Vj表示p个风速区间内第j个风速区间的端点的风速值；

根据风速误差和划分的p个风速区间，计算风速误差标准差，计算公式为：其中λ为区间长度，Sj为第j个风速区间(Vj-λ，Vj+λ]的风速误差标准差，ei为第i个数值天气预报Vi*的风速误差，为第j个风速区间内风速误差的平均值，m为数值天气预报风速Vi*在第j个区间(Vj-λ，Vj+λ]内总个数，Vi*属于数值天气预报风速时间序列p为区间总个数，λ为区间长度。

4.根据权利要求3所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤3中权重时间序列的分解步骤如下：获得数值天气预报风速时间序列

根据经验模态分解算法，将风速误差标准差，即权重时间序列分解为N个本征模函数IMFN，将高频部分相加作为细节分量序列SD＝[Sd1,Sd2,…,Sdn]，将低频部分作为趋势分量序列ST＝[St1,St2,…,Stn]。

5.根据权利要求4所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤4中数值天气预报风速修正模型的具体构建方法为：将数值天气预报风速时间序列 趋势分量序列SD＝[Sd1,Sd2,…,Sdn]和细节分量序列ST＝[St1,St2,…,Stn]根据时间分为多段输入，输入的每一段为长度为l的原始信号窗口，第j个本地窗口是为时间自xj到xj+l-1的段，输入的ST、SD和V*形成输入矩阵X，同时输入实测风速集构成的目标矩阵P，输入矩阵X{x1,x2,…,xn}为：通过输入矩阵X和目标矩阵P，提取局部特征矩阵：

T

Xt＝[xt xt+1 … xt+l-1] ,t∈1,2,…,n-l+1Pt＝[pt pt+1 … pt+l-1]T,t∈1,2,…,n-l+1建立数值天气预报风速修正模型为：

[P1 P2 … Pn-1+1]＝f([X1 X2 … Xn-1+1])其中f(·)为门控循环神经网络的训练函数，表示为：

6.根据权利要求1所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤5中实测风速和实测风电功率的关系式采用多项式拟合。