1.一种基于延迟优化策略的短期风电功率预测方法，其特征在于，包括：(1)获取风速‑功率数据：利用风电场的测风塔和风力发电机根据设定的时间分辨率采集特定时间段内的风速和功率数据，得到采样数据；

(2)剔除采样数据中的异常数据，得到正常采样数据，所述异常数据包括特定时刻点缺测的数据、错误数据；

(3)选取连续采样数据：在正常采样数据中，选取连续N组不存在异常的采样数据作为连续采样数据，将其中x组连续数据作为训练用数据，y组连续数据作为预测用数据，x+y＝N；

(4)训练预测模型：利用所述训练用数据训练模型，用风速数据作为输入，功率数据作为输出，对预测模型进行训练，使其适应风速到功率的转换规律；

(5)利用训练好的预测模型预测功率：将预测用数据中的风速数据作为输入，通过所述预测模型进行预测，得到预测功率；

(6)针对持续上升的风速定义延迟函数并进行功率修正，所述延迟函数f(v)与风速相关，v表示风速，v(t)表示t时刻的风速；根据 对功率进行修正，得到修正后的功率PX，其中 表示所述预测功率；具体包括：(61)将所述预测用数据作为测试集风速序列，进行EMD重构，实现对数据的平滑处理；

(62)从EDM重构后的风速序列中选取风速持续上升段，查找所述上升段中风速序列的极值点，并通过幅值和夹角来定量描述风速变化的大小和快慢；

(63)数据归一化：对持续上升段风速的幅值和夹角进行归一化处理；

计算预测功率与实际功率之间的差值，即 其中， 为预测功率，P为实际功率；

将挑选出的n个风速上升段的幅值集A＝{U1,U1,...,Un}、n个风速上升段的夹角集B＝{θ1,θ1,...,θn}、n个风速上升段的功率误差集Z＝{p1,p2,...,pn}，进行归一化为集合为a、b、z，并分别计算集合a、b与z之间的相关系数λ、μ；

其中， ΔPi为第i个点预测功率与实际功率之间的差值，m为第n个上升段的数据点个数，pn为第n个上升段的功率误差均值；

(64)构建延迟函数f(v)，其表达式为：

3

f(v)＝ωv

ω＝‑(αU+βθ)

其中v为持续上升段的风速，ω为修正系数，U、θ为归一化后的上升段风速的幅值和夹角，α、β为U、θ与修正系数ω之间的比例因数，λ、μ分别为U、θ与功率预测误差之间的相关系数；

(65)根据预测功率 和延迟函数f(v)得到修正功率PX：

2.根据权利要求1所述的短期风电功率预测方法，其特征在于，所述预测模型可采用bp神经网络或Xgboost算法模型。

3.根据权利要求1所述的短期风电功率预测方法，其特征在于，所述步骤(2)中，所述训练用数据的数量大于所述预测用数据的数量，即x>y。