1.一种基于MALO‑BiGRU的超短期风速预测方法，其特征在于，包括以下步骤：(1)对预先获取的风速数据进行归一化处理，并采用互信息法对风速数据进行特征选择并划分训练集和测试集；

(2)运用均匀抽样对初始蚁狮种群初始化，迭代次数，进行蚁狮位置的随机初始化，开始进行迭代搜索；

(3)建立适应度函数，计算初始蚁狮的位置适应度值，并获得初始适应度值，利用改进的模拟退火算法来改变蚁狮算法的更新机制；

(4)将非线性参数控制引入蚁狮算法中，更新蚂蚁位置，计算当前蚂蚁对应蚁狮位置的适应度值相互比较，判断更新蚁狮的位置；

(5)将步骤(4)得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度比较，保留较大适应度值对应蚁狮位置，得到本次迭代的精英蚁狮的位置，将最终得到的精英蚁狮位置作为最优解；

(6)使用改进过后的蚁狮算法优化双向门控循环单元的隐含层节点个数，学习率和批处理大小三个参数；用所得最优参数和训练集对模型进行训练并建立基于改进蚁狮算法的双向门控循环单元预测模型MALO‑BiGRU，对超短期风速进行预测。

2.根据权利要求1所述的基于MALO‑BiGRU的超短期风速预测方法，其特征在于，步骤(1)所述的采用互信息法对风速数据进行特征选择过程如下：用互信息法计算风速数据与各气象因素的互信息值，选择对风速数据影响较大的因素，完成特征选择，其中气象因素包括温度，湿度，降雨量，大气压力；

设置变量H和G，其中H为输入参数向量值，G为所测风速数据，变量H和G之间的互信息值可以表示为I(H；G)：其中，μHG(H,G)为H和G联合概率密度函数：μH(H)为H边缘概率密度函数；μG(G)为G边缘概率密度函数。

3.根据权利要求1所述的基于MALO‑BiGRU的超短期风速预测方法，其特征在于，所述步骤(2)通过以下公式实现：Zi＝cL+(i‑1)(cU‑cL)/n+rand(1,d)        (2)式中，Zi是种群的第i个体，cL为优化问题的下界，cU为优化问题的上界，n为种群规模，rand(1，d)为d维的随机数。

4.根据权利要求1所述的基于MALO‑BiGRU的超短期风速预测方法，其特征在于，步骤(3)的实现过程如下：搜索空间的可行解为Xij＝(Xij1，···，Xijk)，能量函数作为进化优化计算适应值f(Xij)：当f(Xij)＜f(Xi(j+1))时，P＝1；

当f(Xij)≥f(Xi(j+1))，

其中，P为降温概率，t为温度，exp为自然指数；局部最大适应值与个体平均最大的适应值之比逐渐减小并接近1，t也随之趋于0；当新的蚁狮的适应度增大时，接受新的蚁狮位置；

当新的蚁狮适应度降低时，按照概率p接收；

加入基于牛顿冷却定律的温度衰减函数来提高找到全局最优解概率：

其中，t0为初始迭代次数；T(t0)为初始温度；T(t)为当前时刻的温度，Tc为周围环境的温度；K衰减系数，是常数；t‑t0为时间差。

5.根据权利要求1所述的基于MALO‑BiGRU的超短期风速预测方法，其特征在于，所述步骤(4)通过以下公式实现：其中， 为第i只蚂蚁在第t次迭代时的位置； 为第t次迭代轮盘赌选择的蚁狮个体为基础的位移； 为第t次迭代的精英个体为基础的位移； 为加入反向调节因子在蚂蚁位置得到更新后，求取相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，用相应的蚂蚁位置代替蚁狮的位置。

6.根据权利要求1所述的基于MALO‑BiGRU的超短期风速预测方法，其特征在于，所述步骤(6)包括以下步骤：(61)对归一化后的数据进行特征选择；

(62)对蚁狮种群数进行初始化，设置最大迭代次数，蚁狮种群规模以及蚁狮位置的上下限；

(63)计算蚁狮种群个体的适应度值，并利用改进模拟退火算法进行局部搜索，增加全局搜索能力，避免局部最优；

(64)对蚂蚁位置加入非线性反向调节因子，求取蚂蚁相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，对蚁狮位置进行更新；

(65)将所得适应度值进行逐一比较，保留较大适应度值，得到精英蚁狮位置；

(66)若当前迭代次数大于最大迭代次数，则对精英蚁狮位置进行解码，输出训练误差以及BiGRU模型的最优隐含层节点数，学习率和批处理大小，否则，返回步骤(63)。

7.一种采用如权利要求1‑6任一所述方法的基于MALO‑BiGRU的超短期风速预测系统，其特征在于，包括数据处理模块、风速处理模块、训练模块和风速预测模块；

所述数据处理模块：对所获得的原始风速数据进行预处理，得到风速所组成的时间序列的风速数据集合；

所述风速处理模块：利用互信息法对风速数据进行特征选择，得到最后目标预测风速数据；

所述训练模块包括优化单元、适应度值计算单元和判断单元；所述优化单元运用均匀抽样对初始蚁狮种群初始化，利用模拟退火算法来改变蚁狮算法的更新机制，将非线性参数控制引入蚁狮算法中，更新蚂蚁位置；所述适应度值计算单元用于计算当前的蚁狮种群中的适应度值；所述判断单元判断当前的迭代次数是否达到最大迭代次数，如果是，则从新的蚁狮种群中获得适应度值最优的蚁狮作为全局最优的蚁狮进行输出，将得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度比较，保留较大适应度值对应蚁狮位置，得到本次迭代的精英蚁狮的位置；

所述风速预测模块：对训练好的改进蚁狮算法优化双向门循环单元模型进行预测，从而得到未来风速的预测结果。