1.一种基于改进缎蓝园丁鸟算法优化LSSVR的风电功率预测方法，其特征在于，包括以下步骤：

S1、获取预测目标的风电功率数据，经过处理后将风电功率数据转化为多个子分量、中频分量和低频分量，具体方法为：采用集合经验模态分解EEMD对风电功率进行一次分解，EEMD对目标信号s(t)的分解结果为：

其中，fi(t)为第i个IMF分量，rn(t)为Re分量，n表示IMF的个数；

通过EEMD对原始风电功率数据进行一次分解后，生成频率由高到低的各IMF、Re子序列；

采用小波包分解WPD对IMF1子序列进行二次分解，具体为对IMF1做3层WPD分解，得到W1～W8共8个子分量；

利用t均值检验方法，对IMF2～IMFn、Re子序列进行动态划分，得到中频段、低频段两部分子序列，再分别对两部分子序列通过叠加方式进行叠加，分别重构为一个中频分量和一个低频分量序列；

S2、对步骤S1获得的各分量序列分别进行归一化处理：其中，x、x′分别表示风电功率子序列数据和归一化后的风电功率子序列数据，xmax和xmin分别为选取的子序列数据集中最大、最小值；

从归一化后的各分量序列中选取数据作为训练集，再分别构造各分量的输入、输出矩阵，具体为：

通过对各分量序列连续采样时刻的风电功率序列进行相空间重构，将其转化为输入、输出矩阵，设置相空间嵌入维度m，以风电功率的单步预测为例，训练集可构建的输入、输出矩阵为：

其中，X、Y分别为一个分量序列的输入、输出矩阵，M为训练集的个数，X是(M‑m)×m的矩阵，Y是(M‑m)×1的矩阵，X中的第i行输入是一个由xi,xi+1,xi+2,…,xi+m‑1组成的序列，对应的Y中的第i行输出是xi+m；

S3、利用步骤S2得到的各分量序列的输入、输出矩阵，构造各自的最小二乘支持向量回归LSSVR模型：

其中，γ为正则化参数，σ为核函数宽度，xi和 分别为第i时刻的风电功率输出真实值和预测值，γmin、γmax分别为设定的正则化参数的最小、最大值，σmin、σmax分别为设定的核函数宽度的最小、最大值；

S4、采用改进型缎蓝园丁鸟算法对步骤S3构造的模型进行正则化参数γ、核函数宽度σ寻优，获得优化后的正则化参数γ和核函数宽度σ；

S5、根据步骤S4获得的优化后的正则化参数γ和核函数宽度σ，代入步骤S3建立的模型获得各分量序列的LSSVR预测模型，并根据步骤S2获得的训练集对预测模型进行训练，获得训练好的预测模型；

S6、将预测目标的实时数据输入训练好的预测模型，获得各分量的预测值，并分别进行反归一化处理，得到反归一化后的各分量预测值：x＝x′(xmax‑xmin)+xmin其中，x、x′分别表示风电功率子序列数据和归一化后的风电功率子序列数据，xmax和xmin分别为选取的子序列数据集中最大、最小值；

分别将各分量的预测值在对应时刻进行叠加，得到最终各时刻的超短期风电功率预测值。

2.根据权利要求1所述的一种基于改进缎蓝园丁鸟算法优化LSSVR的风电功率预测方法，其特征在于，所述步骤S4中是采用改进的缎蓝园丁鸟算法进行寻优，具体方法为：a)初始化缎蓝园丁鸟算法SBO的相关参数，包括初始化SBO的巢穴数目N、步长上限α、变异概率p、最大迭代次数tmax、比例系数z、个体变异中的标准差s、待优化变量维数及待优化变量的上下限VMAX、VMIN；

b)随机初始化混沌向量，将具有遍历性和随机性的混沌序列引入到缎蓝园丁鸟巢穴的初始化，采用混沌立方映射，对SBO算法的种群进行初始化，混沌立方映射公式如下：3

yn+1＝4yn‑3yn

其中，‑1≤yn≤1,n＝0,1,2…；

引入混沌序列实现缎蓝园丁鸟算法种群初始化的步骤如下：(i)设置最大迭代次数N‑1，种群规模N；

(ii)随机产生一个D维初始向量Y1＝(y11,…,y1j,…,y1D)，其中，y1j∈[‑1,1],1≤j≤D，且Y1≠0；

(iii)将Y1代入混沌立方映射公式迭代N‑1次，得到N个混沌向量Yi＝(yi1,yi2,…,yiD),i＝1,2,…,N,；

(iv)将得到的混沌向量Yi通过下式映射到搜索空间：其中，yij为第i个巢穴的第j维坐标，xij为种群位置Xi中第i个巢穴第j维的坐标，Uj、Lj分别为j维种群位置Xi的上界与下界；

得到N个种群位置Xi＝(xi1,xi2,…,xiD)，i＝1,2,…,N，作为改进型缎蓝园丁鸟算法的初始数据；

通过立方映射得到混沌向量，再将混沌向量映射到搜索空间，从而得到N个巢穴的初始种群X＝{X1,X2,…,XN}；

c)通过适应度函数f(xi)，计算所有巢穴个体的代价函数值Fi、所有巢穴个体被选中的概率pi：

式中，f(xi)为第i个巢穴的适应度函数值，i＝1,2,…,N；

对所有巢穴个体的代价函数值Fi进行从小到大排序，取其最小值Fmin对应的巢穴位置Xmin作为当前最佳的巢穴位置Xelite，并保留到下一代；

d)定义自适应权重ω，在前半个迭代时期，权重ω以线性递减形式变化，在后半个迭代时期，权重ω以凸函数形式变化：式中，tmax为ISBO算法最大迭代次数，t为当前迭代次数，ωmax、ωmin分别为权重的最大值与最小值；

在改进的SBO算法中，雄鸟通过不断交流学习来更新第t轮的巢穴位置 得到更新后的巢穴位置 表达式如下：

式中，xkj为雄性缎蓝园丁鸟当前随机搜索到的最佳巢穴的第j维元素，k是从所有巢穴个体被选中的概率pi在轮盘赌选择机制下得到的一个巢穴序号；pk为序号k对应巢穴被选中的概率，k＝1,…,N；xelite,j为整个种群中最佳巢穴的第j维元素； 为当前第t轮巢穴位置的第j维元素，j＝1,…,D；λj为第j维元素的步长因子；ω为自适应权重；α为步长上限；

e)引入变异算子，巢穴以概率分布形式进行随机变异，得到变异后的巢穴位置 变异表达式如下：

s＝z×(VMAX‑VMIN)式中，s为标准差；z为比例系数；N(0,1)为标准正态分布的随机数，VMAX、VMIN分别是巢穴位置的上下边界；

f)在变异前后的所有种群中寻找最优巢穴位置，返回步骤c继续迭代，直到满足最大的迭代次数，停止迭代，将最终找到的最优巢穴位置作为待优化选择的参数值。