1.一种基于IGOA优化ELM的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：从风电场数据采集与监视控制系统获取到历史风速和风电功率数据，对数据进行预处理，并选取训练数据样本和测试数据样本，建立ELM预测模型；

所述步骤1中对数据预处理具体包括：

步骤1.1.1：如果采集到的功率数据比风电装机容量大，用风电装机容量代替，如果采集到的功率数据是负数，则用零代替；

步骤1.1.2：对于相邻时刻之间缺失的数据，用相邻两数据的平均值替代，对于异常数据，用其前一时刻的数据替代；

步骤1.1.3：根据式(1)对数据进行归一化处理：

式中：y为归一化后的数据，x为原始数据，xmax和xmin分别为原始数据中最大值和最小值，归一化范围为[0,1]；

步骤2：对GOA进行改进，采用Cubic混沌映射方法对GOA的种群进行初始化；

步骤3：通过基于正弦函数的调整参数控制策略来更新递减系数；

所述步骤3中具体包括：

在算法前期递减系数c下降缓慢，能够全局搜索到全局最优解的大概范围；在算法后期递减系数c下降迅速，算法快速收敛到局部最优解，基于正弦函数的调整参数控制策略如公式(2)所示：式中，t为算法当前迭代次数，T为最大迭代次数，k、u为调节参数；

步骤4：在蝗虫个体位置更新处引入柯西变异操作，得到IGOA；

步骤5：利用IGOA优化ELM的参数，获得最优参数；

所述步骤5具体包括：

步骤5.1：初始化相关算法参数：设置蝗虫种群数N、空间维度D，最大迭代次数T、搜索空间的上界ub、下界lb和当前迭代次数t＝1，并采用混沌理论初始化生成当前蝗虫所在的空间位置步骤5.2：通过公式(3)计算经过ELM网络训练的预测值yi与训练样本实际值ti的均方根误差，作为蝗虫适应度值fitness，将当前适应度值最小的蝗虫位置保存到变量步骤5.3：判断当前迭代次数t是否达到最大迭代次数T；若达到，则执行步骤5.5，否则执行步骤5.4；

步骤5.4：通过调整参数控制策略公式(2)更新递减系数c，标准化蝗虫之间的距离于[1,4]，柯西变异公式更新蝗虫的位置，当前迭代次数t＝t+1，并返回ELM网络训练得到新的预测值，再根据公式(3)更新蝗虫的适应度值，与当前最优解进行比较，若优于当前最优解则更新 否则执行步骤5.3；

步骤5.5：输出最优解 从中提取出ELM网络所需的输入层权重w和隐含层偏置b；

步骤6：将获得的最优参数和测试数据样本输入到ELM预测模型中得到预测结果，并选取风电预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差Emax，对模型的预测性能进行评价。

2.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤1中建立ELM预测模型具体包括：步骤1.2.1：将训练数据样本 其中，xi和ti为训练数据真实值，N为输入层节点数，n和m为向量空间维数，隐含层的激活函数g(■)和隐含层节点数L，输入到算法模型中；

步骤1.2.2：确定输入层权重wi∈[‑1,1]和隐含层偏置bi∈[0,1]；

步骤1.2.3：根据式(4)计算隐含层的输出矩阵H，

其中，H＝{h1,h2,…,hi}，hi＝g(wixi+bi)为隐含层第i个神经元的输出；

步骤1.2.4：求解输出权值β，通过最小二乘解获得，即式(5)：式中：H*为矩阵H的Moore‑Penrose的广义逆；

步骤1.2.5：由输出权值得到ELM预测模型，即式(6)：式中：βi为隐含层第i个节点与输出层之间的连接权值，wi为输入层与隐含层第i个节点之间的连接权值，bi为隐含层第i个节点的偏置。

3.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤2具体包括：步骤2.1：设在D维空间中有若干个蝗虫种群中的个体，经过Cubic混沌映射公式(7)产生蝗虫种群中的个体，即Y＝(y1,y2,...,yn)，且其取值范围为yn∈(0,1)；

式中，a为控制参数；

步骤2.2：将蝗虫种群的个体每一维进行迭代N‑1次，从而产生N‑1个人工蝗虫种群的个体；

步骤2.3：当所有的人工蝗虫种群中个体迭代完成，按照式(8)映射到解空间中：d d

式中：N为蝗虫种群数，ub 、lb为搜索空间的上、下界， 是第i个人工蝗虫种群的个体的第d维坐标， 是第i个人工蝗虫种群的个体的第d维的位置。

4.根据权利要求3所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤2.1中，Cubic映射的混沌性与所述控制参数的取值有关，a＝2.6时，Cubic映射具有混沌遍历性。

5.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述调节参数选用k＝2，u＝2。

6.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤4中具体包括：在蝗虫个体位置更新处添加柯西变异操作，变异后的蝗虫增加种群多样性，根据柯西标准分布函数式(9)，对最优个体构建柯西变异公式(10)，变异后蝗虫个体位置更新公式为(11)所示：式中： 为算法迭代到第t次时第d维第i个蝗虫的位置， 为算法迭代到第t次时第d维第j个蝗虫的位置，dij(t)是蝗虫种群在第t次迭代时第i个蝗虫和第j个蝗虫之间的距离， 是当前最优个体位置， 是经过柯西变异后的最优蝗虫位置，r是(0,1)上的随机数，p为变异概率，经试验选用p＝0.7。

7.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤6中RMSE、MAE和Emax三种评价指标公式分别如下：Emax＝max(|Pti‑Pyi|)  (14)

式中：n为样本个数，Pti为i时刻的实际功率，Pyi为i时刻的预测功率，Pcap为风电场开机总容量。