1.基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：首先，采用DM技术描述风速和风电功率的关系，对无效、缺失的原始数据进行修正；然后，通过变分模态分解VMD对将风电功率分解为趋势分量和细节分量，以趋势分量作为输入量以减少噪声量；同时，提出一种改进布谷鸟搜索ICS算法对极限学习机ELM的输入层权值矩阵和隐含层偏置矩阵进行优化；最后通过ELM网络完成风电功率预测。

2.基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于包括以下步骤：步骤1、采用DM技术，对风电功率原始数据进行修正；

步骤2、利用VMD对风电功率数据进行分解，得到若干个低频分量和高频分量，选取合适的低频分量重构形成趋势分量，以作为模型的输入；

步骤3、初始化ICS算法的参数和ELM的网络结构，确定适应度函数；

步骤4、将训练样本的修正值输入ELM并计算适应度值，根据ICS算法步骤，更新鸟巢位置，比较种群当前适应度值和全局历史最优适应度值，确定全局最优位置，即最优解；

步骤5、由得到的最优输入权重和隐含层偏置参数，建立ELM预测模型。

3.根据权利要求2所述基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：所述步骤1中，所述DM技术采用MATLAB中的curve fitting工具包，分别采用多项式拟合，傅里叶拟合和高斯拟合的方法，选取和方差SSE和确定系数R2为评价指标，找到最优的拟合方法，然后对其进行筛选、补充和矫正。

4.根据权利要求2所述基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：所述步骤1中，异常的风速、风电功率原始数据分为三类：第一类是风速和风电功率出现负值；第二类是风速不为0而功率值为0；第三类是由于设备故障等导致风速和功率数据出现丢失；

针对原始数据的修正处理分为三种：1)风速不为0而功率值为0时，风电功率由拟合函数求得；2)风速出现负值时遗弃样本，风速在切入风速上下浮动的点所对应的功率值出现负值时，取功率值为0；3)、对于出现时间序列数据缺失的情况，功率缺失时同样采用拟合函数求取功率值，如果风速和功率值都缺失，则分别用前一个采样点和后一个采样点的平均值填补。

5.根据权利要求2所述基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：所述步骤2中，所述VMD是能将一组非线性信号按不同频带分解为若干个低频分量和高频分量的信号处理方法，实质上是变分问题的求解，一个时间序列经VMD分解后进行筛选，如公式(4)所示：其中，PTrend,i为第i个低频模态分量；PDetail,j为第j个高频模态分量；由n个低频分量构成的 代表信号的趋势分量，能够捕捉到原始信号的趋势；由m个高频分量构成的代表信号的细节分量，其所包含的有用信息较少，一般为噪声分量。

6.根据权利要求2所述基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：所述步骤3中，所述适应度函数选取为拟合的残差平方和，即公式(9)所示：式中：n为训练样本数；yi为训练样本的输出值； 为对应的拟合值。

7.根据权利要求2所述基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：所述步骤4中，所述ICS算法是针对标准CS的改进，CS算法寻优过程分为两个部分，第一个部分是通过Lévy飞行进行全局随机游走，其主要迭代过程如公式(5)所示：式中： 表示第t代的第i个解；⊕表示点乘法；α表示步长控制因子；Levy(λ)服从Lévy概率分布，通常使用公式(6)来生成Lévy随机数：式中：μ,ν服从标准正态分布；λ为幂次系数，布谷鸟的连续跳跃本质上形成随机游走过程，该过程遵循具有重尾的幂律步长分布；λ通常取1.5，φ取值如公式(7)所示：式中：Γ()为标准的Gamma函数；

CS算法的第二部分会依据发现概率Pa丢弃部分解，然后通过偏好游走生成新解以取代它们，如公式(8)所示：式中：r为比例因子，取值服从区间[0,1]上的均匀分布； 和 表示第t次迭代的两个随机解。

8.根据权利要求2所述基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：步骤4中，所述ICS算法是针对标准CS的改进，标准CS算法中Pa为固定值，步长由随机游走策略决定而大小不定；为此，根据算法的运行进程，动态地对其参数进行调整：(1)、发现概率的动态调整策略：

在CS算法中引入一个正弦递增算子来调整发现概率Pa，如公式(10)所示：式中：Pa,max和Pa,min是Pa的动态控制参数；T为最大迭代次数，t为当前迭代次数；

(2)、步长的动态调整策略：

根据当前最优鸟巢的生成信息，自适应调整下一代的步长，如公式(11)所示：式中：m∈(0,1)为调节因子；k∈[0,1]为极限因子；INT为0到30的整数；xbest为当代的最优解；Smin为步长的最小值；exp()为以自然常数e为底的指数函数。

9.根据权利要求2所述基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：步骤5中，所述ELM为一种单隐层前馈神经网络，其数学描述如公式(13)所示：式中：i＝1,2,3,...,N；bj是第j个隐含层节点的阈值；aj＝[a1j,a2j,…,arj]T为连接第j个隐含层节点和输入层节点的权值向量；g(x)为激励函数，本发明选取的为Sigmoid函数；

βj＝[βj1,βj2,…,βjm]T(j＝1,2,…,L)为连接第j个隐含层节点和输出节点的权值向量；xi为一个样本向量的第i个元素；N为样本个数；L为隐含层节点个数；

把N个样本代入到公式(13)，可以得到如下矩阵形式：

Hβ＝Y    (14)

β＝[β1,β2,…,βL]T    (16)

Y＝[y1,y2,…,yN]T    (17)

式中：H表示隐含层输出矩阵；β表示输出权值矩阵；Y表示目标值矩阵；N为样本个数；L为隐含层节点个数；x1,x2,…,xN分别为第1,2,…,N个样本向量；a1,a2,…,aL分别为输入层连接到第1,2,…,L个隐含层节点的权值向量；b1,b2,…,bL分别为第1,2,…,L个隐含层节点的阈值； 分别为第1,2,…,N个样本到隐含层的输出向量；β1,β2,…,βL分别为第1,

2,…,L个隐含层节点连接到输出层的权值向量；y1,y2,…,yN分别为第1,2,…,N个样本对应的目标值。

10.根据权利要求2所述基于数据挖掘原始误差校正的ICS-ELM超短期风电功率预测方法，其特征在于：步骤5中，ELM算法步骤如下：(1)随机确定输入权重aj和隐含层偏置bj；

(2)计算隐含层输出矩阵H；

(3)计算输出权重，即线性系统Hβ＝Y最小范数的最小二乘解，计算式如公式(18)所示：β＝H-1Y    (18)

式中：H表示隐含层输出矩阵；β表示输出权值矩阵；Y表示目标值矩阵；H-1为矩阵H的广义逆。