1.基于改进的蛇群优化算法的短期风电功率预测方法，其特征在于，步骤如下：步骤S1：采集风电场天气数据并且利用四分位法对风电场异常数据清洗并插补；

步骤S2：建立极致梯度提升树分类模型并且使用改进的蛇群优化算法对极致梯度提升树分类模型的参数进行优化；改进的蛇群优化算法同时受到温度Temp和食物量Q的影响分为三种行为模式：搜索食物模式、战斗模式、交配模式，步骤如下：步骤S21：生成初始化种群 ，其中雄性和雌性个体按1：1分配，初始化公式为:（5）；

（6）；

（7）；

其中， 为待解决问题的上界， 待解决问题的下界，t为当前迭代次数， 为最大迭代次数，c1为常数，r为（0,1）之间的随机数；

步骤S22：当食物量Q<0.25时，蛇群选择随机位置搜索食物并更新位置，雄性和雌性的位置更新公式为：（8）；

（9）；

其中， 为雄性或雌性中第i个个体位置， 为雄性或雌性中随机个体位置，c2为常数， 为雄性或雌性中随机个体的适应度， 为第i个个体的适应度； 为雄性或雌性个体搜索食物的能力；

步骤S23：当食物量Q>0.25且温度Temp>0.6时，蛇群开始靠近食物，种群的位置更新公式为：（10）；

其中， 为整个群体中最优个体的位置，c3为常数；

步骤S24：当食物量Q>0.25且温度Temp<0.6时，会产生一个随机值，若随机值大于阈值

0.6，蛇群进入战斗模式，雄性和雌性位置更新公式为：（11）；

（12）；

其中， 为雄性/雌性的战斗能力， 为最优个体的适应度， 为最优雄性或雌性个体位置；

若随机值小于阈值0.6，蛇群进入交配模式，雄性和雌性位置更新公式为：（13）；

（14）；

其中，Mm/f为雄性或雌性的交配能力；

交配完成后选择是否孵化卵，若选择孵化则替换掉最差的雄性或雌性个体，替换公式为：（15）；

其中， 为最劣个体的适应度；

改进的蛇群优化算法中提出一种双向自适应柯西变异策略同时在每次迭代的最优解和最劣解处添加扰动，双向自适应柯西变异操作更新公式为：（16）；

（17）；

其中， 为变异后的最优或最劣的雄性或雌性的个体位置， 为未变异的最优或最劣的雄性或雌性的个体位置， 为调整因子， 为标准柯西随机变量生成函数， 为变异后的最优或最劣的雄性或雌性中个体的适应度， 为未变异的最优或最劣的雄性或雌性个体的适应度；

通过吸引度策略提高算法前期搜索的目的性和收敛速度，雄性或雌性第t次迭代的吸引因子 计算公式为：（18）；

公式（8）改写为：

（19）；

改进的蛇群优化算法采用分布均匀的bernoulli混沌映射初始化，bernoulli混沌映射公式为：（20）；

（21）；

其中， 为第d次迭代产生的混沌序列，取值为0.6， 为混沌映射产生的新的雄性或雌性个体i的位置；

步骤S3：使用步骤S1获得的数据和数值天气预报对极致梯度提升树分类模型进行训练和测试，并且划分天气类型；

步骤S4：根据分类结果构建不同天气下的多维特征矩阵；

步骤S5：构建自适应预测模型；

步骤S6：通过自适应预测模型实现转折性天气下的风电功率预测；

自适应预测模型由卷积层、u个空间金字塔池化层、展平层、长短记忆网络、随机失活层、注意力机制和全连接层组成；输入的多维特征矩阵经过卷积层提取不同维度的特征图，u个空间金字塔池化层根据所需要的池化结果的维度v，将特征图的不同维度均分为v份，对每份分别进行最大池化，得到每个空间金字塔池化层的池化结果，然后将u个空间金字塔池化层的结果拼接后送入展平层将多维特征一维化，将展平后的特征图输入长短记忆网络而后通过随机失活层防止自适应预测模型过拟合，通过全连接层前的注意力模块对长短记忆网络的输出重新赋权，最后通过全连接层输出转折性天气下的风电功率预测。

2.根据权利要求1所述的基于改进的蛇群优化算法的短期风电功率预测方法，其特征在于，极致梯度提升树对多个决策树求和得到最终的分类预测结果，计算公式为：（1）；

（2）；

其中， 为损失函数， 为在第k棵决策树中被分类到所在叶子节点的权重，为正则化项， 为第s个样本特征集的真实类别，n为样本特征集个数，和 为正则化系数，T为叶子节点数， 为第j个叶子节点权重。

3.根据权利要求1所述的基于改进的蛇群优化算法的短期风电功率预测方法，其特征在于，极致梯度提升树分类模型划分天气类型的方法，步骤如下：步骤S31：将采集的风电场天气数据和四分位法处理后的数据进行人工标记天气类型；

步骤S32：初始化极致梯度提升树，通过改进的蛇群优化算法以样本分类的错误率为目标函数对极致梯度提升树的学习率、树深度、最佳树的个数这三个参数进行优化，寻优获得最优参数；

步骤S33：使用数值天气预报的数据和步骤S31标记的天气类型作为输入训练极致梯度提升树分类模型；

步骤S34：输入测试集来验证极致梯度提升树分类模型分类精确度；

步骤S35：将需要划分天气类型的时间段带入训练好的模型进行天气类型划分。

4.根据权利要求1所述的基于改进的蛇群优化算法的短期风电功率预测方法，其特征在于，空间金字塔池化层通过固定池化输出维度来处理输入特征维度，根据固定的池化输出维度v将输入特征均分为v份，在每个区域内进行最大池化。

5.根据权利要求1所述的基于改进的蛇群优化算法的短期风电功率预测方法，其特征在于，在长短记忆网络处理输入序列时，长短记忆网络的隐含层被赋予相同的权重，在长序列中，短时段的转折性天气下的重要特征很容易被丢弃，注意力机制通过比较前一个隐含层向量与输出的相关性，计算其注意力权重，提高对有效信息的获取，实现动态提取时间序列中的关键部分；p时刻的长短记忆网络的隐含层输出 作为注意力机制的输入通过全连接层激活函数tanh进行训练得到p时刻的权重系数 ：（22）；

对p时刻的权重系数 和p时刻的长短记忆网络的隐含层输出 加权求和得到p时刻的输出 ：（23）；

其中，w为权重， 为偏置项，N为时间序列长度。

6.一种用于实现权利要求1‑5任意一项所述基于改进的蛇群优化算法的短期风电功率预测方法的系统，其特征在于，包括数据采集模块、数据预处理模块、天气分类模块和功率预测模块；所述数据采集模块用于采集风电场天气数据；所述数据预处理模块将风电场异常数据清洗并插补；所述天气分类模块内置极致梯度提升树分类模型进行天气类型划分；

所述功率预测模块内置自适应预测模型通过天气分类模块划分的天气类型预测风电场的功率。

7.一种非易失性计算机存储介质，其特征在于，计算机存储介质存储有计算机可执行指令，该计算机可执行指令执行权利要求1‑5任意一项所述基于改进的蛇群优化算法的短期风电功率预测方法。