1.一种基于LSTM的双阶段分解风向预测方法，其特征在于，所述基于LSTM的双阶段分解风向预测方法，包括：获取待分析地区的历史风向数据，进行采样并划分数据生成训练样本，每个训练样本为一个原始序列数据；

对原始序列数据进行第一阶段分解，将原始序列数据分解为趋势子序列、季节子序列和残差子序列；

对第一阶段分解得到的残差子序列进行第二阶段分解，分解后得到H个模态子序列；

构建LSTM预测模型，利用分解后的趋势子序列、季节子序列和模态子序列对构建的LSTM预测模型进行训练，采用训练好的LSTM预测模型对未来风向进行预测；

其中，所述进行采样并划分数据生成训练样本，包括：对历史风向数据进行固定时长间隔的采样，将采样得到的所有采样数据按照预设的数据量进行划分，得到训练样本；

将训练样本中的每个数据除以360，获得类归一化处理后的训练样本；

所述对原始序列数据进行第一阶段分解，将原始序列数据分解为趋势子序列、季节子序列和残差子序列，包括：初始化分解参数，开始内循环；

用原始序列数据减去上一轮内循环的趋势子序列，去除趋势；

对去趋势后的子序列进行平滑操作，获取周期子序列；

去除周期子序列中的低频序列，得到季节子序列；

用原始序列数据减去本轮内循环的季节子序列，去除季节；

对去季节后的子序列进行平滑操作，得到趋势子序列；

计算得到残差子序列；

判断残差子序列是否小于给定阈值，若小于，则分解完成，输出最终的趋势子序列、季节子序列和残差子序列；若不小于，则进入外循环计算鲁棒权值，然后继续进入下一次内循环；

所述对第一阶段分解得到的残差子序列进行第二阶段分解，采用VMD分解法进行第二阶段分解，包括：将残差子序列表示为函数f(t)，将函数f(t)分解为H个模态函数u(t)，其中t表示时间变量，对每个模态函数ui(t)(i∈[1,H])进行希尔伯特变换，以获得其单边频谱u′i(t)，计算公式如下：其中，δ(t)是狄拉克分布，j表示变换过程中的一个固定常数；

以各个模态的中心频率ωi(t)为基准，将每个模态的单边频谱u′i(t)通过如下公式调制到其相应基频带Ψi(t)，计算公式如下：构建变分模型：

其中，f(t)为残差子序列数据，δt(Ψi(t))表示Ψi(t)关于时间变量t的导数；

构造拉格朗日函数L，通过加入二次正则化因子C和拉格朗日乘子θ(t)，构造的拉格朗日函数L表达式如下：其中，ui(t)表示第i个模态函数，θi(t)表示第i个拉格朗日乘子，H表示模态函数的个数，δ(t)表示狄拉克分布，Ψi(t)表示第i个模态函数相应的基频带，f(t)表示为残差子序列的函数；

利用交替迭代乘子法，按照下式交替迭代求解拉格朗日函数L的最优解：其中， 分别是f(t)，ui(t)，θ(t)， 的傅里叶变换结果，n为迭代次数，N为最大迭代次数(n∈[1，N])，τ表示噪声容忍度是一个常数，τ∈(0,1)；

当满足以下条件迭代终止：

其中，e为停止阈值，满足条件时迭代终止，输出分解所得的H个模态子序列。