1.基于深度信念网络的非线性加权组合风电功率预测方法，其特征在于，包括以下步骤：步骤1、数据收集：收集风力发电的风速、历史风电功率、温度和风向数据并构建训练样本集；

步骤2、数据预处理：首先，对风力发电数据中的异常数据进行修正，并对缺失数据进行补充；然后，对数据进行标准化处理以减小因数据数量级相差较大而对预测准确性造成的影响；最后，使用具有降噪功能的变分模态分解技术VMD分解非线性非平稳的历史风电功率序列，得到IMF1模态，IMF2，IMF3...IMFN模态，以提高数据的可预测性；

步骤3、特征选择：计算各影响因素与历史风电功率的最大信息系数MIC，选取MIC＞0.5的历史风电功率、风速、温度和风向作为主导影响因素参与步骤4中子模型的训练预测；

步骤4、搭建子预测模型：将IMF1模态作为目标输出，将步骤3的风力发电的风速、历史风电功率、温度和风向数据作为输入，利用擅长处理时间序列问题的递归神经网络LSTM进行训练得到子预测模型1和子预测结果1；然后将IMF2模态作为目标输出，将步骤3的风力发电的风速、历史风电功率、温度和风向数据作为输入，利用擅长特征提取的深度信念模型DBN并结合粒子群优化PSO进行训练得到子预测模型2和子预测结果2，然后按照上述训练步骤依次循环直至IMFN结束，得到N个子预测模型及N个子预测结果；

其中，IMF2，IMF3…IMFN都采用PSO‑DBN模型进行预测训练；

步骤5、模型组合：利用基于PSO‑DBN的非线性组合机制对步骤4训练得到的N个子模型的N个预测结果进行组合，以更好地提取和表征各个子预测模型的非线性关系，从而得到非线性组合预测模型；

步骤6、输出结果：输入预测日前两天的风力发电的风速、功率、温度和风向数据信息，根据组合预测模型得到最终的预测结果。

2.根据权利要求1所述的基于深度信念网络的非线性加权组合风电功率预测方法，其特征在于，步骤2所述数据预处理的方法为：首先，对风力发电数据中的异常数据进行修正，并对缺失数据进行补充；

如果某个时刻的数据与前后两天对应时刻数据的差异过大，就认为该数据是极大或极小的数据，该类数据的修正规则如下：其中，X(d，t)是第d天t时刻的用电量数据， 是第d天t时刻前后两天的用电量数据平均值，εd(t)是第d天用电量数据标准差的两倍， 是第d天t时刻前后两天同时刻数据的平均值；

对于缺失的数据按照公式(2)进行补充；

然后按照标准化公式(3)对所有数据进行标准化处理：

其中，xij为第i组第j个数据的真实值， 为第i组第j个数据的归一化值，xmax为该组数据中的最大值，xmin为该组数据中的最小值；

当然预测模型的输出结果还需要进行反归一化才可以得到最终结果，反归一化的规则如公式(4)所示：其中，yi为最终预测结果， 为预测模型输出的归一化数据，ymax为该组数据的最大值，ymin为该组数据的最小值；

最后，使用具有降噪功能的变分模态分解技术VMD去分解非线性非平稳的风电功率序列，以提高数据的可预测性。

3.根据权利要求1所述的基于深度信念网络的非线性加权组合风电功率预测方法，其特征在于，步骤2所述变分模态分解技术VMD是一种自适应的信号处理方法，通过迭代寻优，不断地更新各个子模态函数以及它们的中心频率，最终实现将实值信号f分解为N个模态函数IMF的功能；

提出结合重构误差R来确定参数N，选取R＜0.01时的N值作为最终参数，如式(9)所示：

4.根据权利要求1所述的基于深度信念网络的非线性加权组合风电功率预测方法，其特征在于，步骤3最大信息系数MIC的具体计算公式如下：

其中，p(X，Y)代表变量X和Y之间的联合概率，本发明中变量X代表历史功率，风速，温度和风向影响因素数据，变量Y代表风电功率数据。

5.根据权利要求1所述的基于深度信念网络的非线性加权组合风电功率预测方法，其特征在于，步骤4所述递归神经网络LSTM通过输入门、遗忘门、输出门对具有长期存储器的单元状态进行控制，LSTM网络模型用式(11)表示：其中ft，it，ot分别是遗忘门，输入门和输出门，ht是t时刻的隐层输出值，C′t和Ct分别是t时刻单元状态需要更新的信息和t时刻单元状态的全部信息，Wxf，Whf，Wix，Wih，Wcx，Wch，Wox，Woh是两两之间的权重系数，bf，bi，bc，bo是修正系数。