1.一种基于改进PSO优化双权值神经网络的风电功率预测方法，其特征在于：包括如下步骤：步骤1、获取风电功率预测数据，进行数据预处理，构建训练样本与预测样本；

步骤2、构建双权值神经网络模型，初始化网络及相应参数，初始隐含层神经元个数k＝

1，偏差精度为ε，样本数据归一化；

步骤3、判别隐含层神经元个数，如k＝1，则选取原始样本输出为期望输出，否则选取第k‑1隐含层神经元输出偏差作为新的期望输出；

步骤4、运用改进PSO算法修正、获取双权值神经网络的连接参数，包括方向权值，核心权值以及幅值，具体实施方法如下：步骤4.1、初始化种群，种群粒子包括3个方向权值、3个核心权值及1个幅值，采取实数编码并运用混沌算子进行初始化，设定最大迭代次数、种群个数、粒子范围；

步骤4.2、计算粒子适应度值，计算全局最优值；

步骤4.3、利用基本粒子群算法原理进行种群进化，粒子更新；

步骤4.4、选取若干最优粒子进行局部深度优化；

步骤4.5、选取若干最差粒子进行随机优化；

步骤4.6、运用聚散度算子进行种群更新；

步骤4.7、判别迭代次数是否达设定值，是则结束，否则执行步骤4.3；

步骤5、判别是否满足偏差精度ε或达到设定的最大隐含层神经元个数，满足或达到，则结束训练；否则令k＝k+1，跳至步骤3；

步骤6、用训练好的神经网络对预测样本进行风电功率预测，结合训练结果和预测结果进行神经网络评估；

步骤7、重复步骤2至步骤6进行若干次训练与预测，根据每次神经网络评估结果，择优选取双权值神经网络用于风电功率预测。

2.根据权利要求1所述的一种基于改进PSO优化双权值神经网络的风电功率预测方法，其特征在于：所述步骤1中，风电功率数据预处理的具体步骤如下：步骤1.1、基于事件异常的风电功率数据预处理，包括剔除不合理的数据、修正异常数据和补充丢失的数据；

步骤1.2、基于数据参数合理范围的风电功率数据预处理，风电场数据参数主要包括风速V、风向DW、温度T、湿度H、功率、气压P，其参数合理范围设置表达如下：其中，Vmax为最大合理风速值，ΔV为单位时间风速变化值，ΔVmax为单位时间风速变化最大值，PW为单机容量功率值，ZPW为总装机容量功率值，PWmax和ZPWmax分别为单机和总装机功率的最大合理值，Pmin和Pmax分别为气压最小和最大合理值，ΔT为单位时间温度变化值，ΔTmax为单位时间温度变化最大值，ΔP为单位时间气压变化值，ΔPmax为单位时间气压变化最大值；

步骤1.3、相似风电数据判别与检验，选取风速、舱外温度、塔外环境湿度为样本输入数据，风功率为样本输出数据，假设第i个样本数据为DWi，Ti，Hi和PWi，第j个样本数据为DWj，Tj，Hj和PWj，二者之间数据相似性可以用下式进行判别：式中SC为设定阀值，当上式成立则认为二者相似，此时检验二者输出功率偏差是否在合理范围，判别数据是否存在不合理现象。

3.根据权利要求1所述的一种基于改进PSO优化双权值神经网络的风电功率预测方法，其特征在于：所述步骤4中，选取若干最优粒子进行局部深度优化的具体步骤如下：步骤4.4.1、初始化参数，随机产生m个方向6维角度[α1 α2 α3 α4 α5 α6]；

步骤4.4.2、第i个最优粒子为Xi更新方法如下：ΔXi(t)＝C×[D1 D2 D3 D4 D5 D6 D7]，0＜C＜1，Xi(t+1)＝Xi(t)±ΔXi(t)，

式中D7＝cosα1cosα2cosα3cosα4cosα5cosα6，D3＝cosα1cosα2sinα3，D6＝cosα1cosα2cosα

3cosα4cosα5sinα6，D5＝cosα1cosα2cosα3cosα4sinα5，D4＝cosα1cosα2cosα3sinα4，D2＝cosα

1sinα2，D1＝sinα1，

按照上述公式对m个方向及其反方向共计2m个方向分别计算粒子Xi的适应度值，然后选取最优适应度值并判别是否得到优化，是则更新粒子Xi最优解及最优适应度值，并记该最优更新方向为ΔXbest，否则返回步骤4.4.1；

步骤4.4.3、沿最优方向继续最优粒子Xi优化，更新方法如下：Xi(t+1)＝Xi(t)+C1ΔXbest，C1＞1计算粒子Xi适应值并判别是否得到优化，是则更新粒子Xi最优解和粒子最优适应度值，更新C1＝C1(1+C2×rand),C2＞1，返回步骤4.4.3，否则执行步骤4.4.4；

步骤4.4.4、判别所选若干最优粒子是否全部局部深度优化，是则更新全局最优值并结束，否则返回步骤4.4.1。

4.根据权利要求1所述的一种基于改进PSO优化双权值神经网络的风电功率预测方法，其特征在于：所述步骤4中，运用聚散度算子进行种群更新的具体步骤如下：设粒子Xi的适应度值为Yi，粒子Xj的适应度值为Yj，以粒子Xi为中心，定义粒子Xi与粒子jXj的距离为 定义适应度值之比为Fi ＝Yi/Yj，距离聚散算子矩阵和适应度值聚散度算子分别为：

式中 的取值为1和0，当 取值为1，反之取值为0，dS为设定常数， 的取值为1j

和0，当Fi＜FS取值为1，反之取值为0，FS为设定常数；

步骤4.6.1、判断当前总迭代次数是否小于设定值iter1，是则执行步骤4.6.2，初始化i＝1，否则算法结束；

步骤4.6.2、运用距离聚散度算子判别第i个粒子是否需要更新，根据 并判别该值是否大于设定值FdcS，是则执行步骤4.6.3，否则执行步骤4.6.4；

步骤4.6.3、进一步运用距离聚散度算子和适应度值聚散度算子判别第i个粒子是否需要更新，根据 并判别该值是否大于设定值FfcS，是则执行Xi＝Xi+rand×(Xpg‑Xi)，Xpg为距离浓度低且适应值高的粒子，否则保持第i个粒子不变；

步骤4.6.4、判别第i个粒子是否为种群最后一个粒子，是则算法结束，否则i＝i+1，返回步骤4.6.2。