1.一种风电场短期风电预测建模方法，其特征在于，包括以下步骤：

步骤1.基于小波分析，对风电功率数据预处理与特征分析：采用多项式或样条函数、合理性检验以及小波分析分别处理风电功率数据的缺失值、不合理值和噪声值，并采用小波多尺度分析、熵与非参数估计方法分别考察风电功率数据的时频域特征分布、不确定性和随机性；

步骤2.对风电功率数据进行非线性特征提取与维数约简：在保持风电功率数据时间顺序与几何结构的情况下，利用非线性流形学习提取非线性特征、消除冗余信息，实现非线性特征提取与维数约简；所述的非线性流形学习假设原始数据光滑且非“重叠”，否则会在流形嵌入时，可能会出现放缩现象；同时，对高维风电功率数据的维数约简需要估计样本的信息量；

步骤3.样本子集划分、模型阶次估计以及预测模型表示：根据输入风电数据的频谱时间和尺度变化特性，利用其特征分布进行子集划分，使得训练样本与测试样本频谱相互覆盖；利用合理的频谱估计、信息准则以及小波分析，实现风电数据的子集划分、模型阶次估计以及预测模型表示；合理划分子集，确保训练样本充分激励系统的所有模态；

步骤4.基于优化模型结构的多模型AdaBoost深度网络的短期风电功率预测建模：利用多个长短期记忆子网络对分解后的输入变量分别建模，自动判断先前训练集中预测偏差大的相应概率，组合预测性能好的子网络，提升模型在训练样本集上的表现能力；设置合适的学习率，合理更新范数和权值范数的比率，加强深度网络学习速度与稳定性；根据预测精度调整子网络个数，获得最好的泛化能力；对数据分解后的不同频率进行建模，根据不同划分子集进行交叉验证，获得高精度、强鲁棒的特性。

2.根据权利要求1所述的一种风电场短期风电预测建模方法，其特征在于，所述步骤1包括以下过程：步骤1.1缺失值处理:采用多项式或样条函数、合理性检验以及小波分析分别处理缺失值、不合理值和噪声值，包括用三次多项式函数和确定样条函数进行插值从而对缺失值合理处理；

步骤1.2合理性检验:利用自适应中值滤波Hampel滤波器，设定滑动半窗口Half‑windows的长度；通过自适应的高斯估计，对滤波正态分布标准偏差进行合理性检验；

步骤1.3噪声值处理:采用Haar、Symmlets、Daubechies小波多尺度分析在数据噪声水平正则化到level‑1后进行滤波，构建一个小波域的非线性收缩函数 将小波初始系数设置在区间[‑δ,δ]内，并且设置为按照绝对值的形式进行收缩，其中N和σ分别表示样本的长度和噪声的标准偏差；重组后的信号为：其中xnew和xOriginal分别是重构后的信号与原始信号，sgn(xOriginal)是对应的取值‑1或1的符号函数，非线性收缩函数 是软阈值，ωj,k是由真实信号和噪声组成的相关数值，j,k是与频率相关的正整数指标；其中低频截断可设置为3

5<3×2×1＝6，消失矩可设置为8＝2，此时严格满足小波分析消失矩的条件；

步骤1.4风电功率数据的不确定性分析：分别采用Renyi熵与非参数估计，来分析风电功率数据的不确定性与随机性；假设时间序列{Xt}t＝1,2,…对应的分布概率为pi＝Pro(Xt＝i)，Renyi熵提供了基于样本质量的定量测量指标；Hα(Xt)越低，则与时间序列相关的不确定性就越小，序列中存在许多与能量流相关的不确定因素则越少，其相应的分布表现为较高的熵情况；

步骤1.5风电功率数据的随机性分析：假设给出的时间序列均值 与方差

其中n1是比给定序列的中值高的样本总量，n2是小于或等于给定序

列中值的正数，则其在不同排列组合下的相应边际概率分布表述为：

其中r是与序列时滞相关的正数，R是观测到的运行次数；采用随机性测试来检查观测值是否为基于输出概率的随机生成的序列；经过以上处理步骤，使风电数据质量得到提升、并获取真实的数据信息。

3.根据权利要求1所述的一种风电场短期风电预测建模方法，其特征在于，所述步骤2包括以下过程：步骤2.1计算本质维度：采用信息准则维度估计、最近邻维度估计以及最大似然估计方法，并综合比较选择合理的本质维度；

步骤2.2估计邻域内节点数量：对存在短路分支的节点进行分析，生成含有相应节点的邻近图相关的稀疏矩阵，并采用合理的本质维度估计以便增强算法的鲁棒性；由于邻近节点过多容易引起邻近图中的最短路径与测地距离不匹配，可采用无监督聚类算法和监督式聚类算法进行处理。

4.根据权利要求1所述的一种风电场短期风电预测建模方法，其特征在于，所述步骤3包括以下过程：步骤3.1合理的样本子集划分：假设x(t)＝{xi(t)}i＝1,…,s是待输入的风电数据集合，其中s是表明待输入风电数据变量个数的正整数，获得序列的能量分布；利用相似性矩阵、最近邻和K均值等进行量化，来实现准确的子集划分与评估；

步骤3.2模型阶次估计：假设通过本质维度估计得到k个输入变量，利用相关函数法、残差法、F检验法、准则函数法或者Lipschitz准则，确定各个变量对应的模型阶次pi,i＝

1,…,k，其中pi,i＝1,…,k是表明与第i变量对应模型阶次的正整数；

步骤3.3预测模型表示：基于步骤3.1，预建立的风电数据后h步(h‑steps ahead)预测模型则表示为：y(t+h)＝F(x1(t),…,x1(t‑p1),…,xk(t),…,xk(t‑pk)) (10)其中h是正整数，模型阶次pi,i＝1,…,k，表示为模型的最大时滞，用于反映模型的动态持续性；

步骤3.4采用小波变换分解输入变量，分解水平选取Daubechies4在level‑2对风电数据进行分解，将预处理后的风电数据采用二维小波分解进行处理，分解后的成分为表示信号细节特征的水平、垂直与对角高频成分，以及一般特征的低频成分。

5.根据权利要求1所述的一种风电场短期风电预测建模方法，其特征在于，采用多模型AdaBoost集成方法来分别对数据分解后的不同频率进行分别建模。

6.根据权利要求1所述的一种风电场短期风电预测建模方法，其特征在于，步骤1中小波分析，是指基于软阈值估计方法，来降低风电数据的不确定性与随机性。