1.一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：针对目标区域，执行以下步骤，获得预设未来时间段内目标区域的预测风速：步骤A：针对目标区域，基于预设时长采样间隔，获得该目标区域预设历史时间段内各采样时刻分别对应的风速数据，构成风速数据序列；

步骤B：针对目标区域预设历史时间段内的风速数据序列，进行归一化处理，更新风速数据序列；

步骤C：基于目标区域预设历史时间段内的风速数据序列，针对风速数据序列中各采样时刻风速数据分别进行HHT分解，获得各采样时刻风速数据分别对应的分量数据序列；

步骤D：针对各采样时刻风速数据分别对应的分量数据序列，基于分量数据序列中各分量类型分别对应的以分量数据为输入、以距离该分量数据采样时刻预设时长间隔的未来时刻分量数据为输出的预训练预测模型，各分量数据分别通过其对应的预训练预测模型获得其对应的预测分量数据，进而获得在预设未来时间段内各采样时刻分别对应的预测分量数据序列；

步骤E：基于在预设未来时间段内各采样时刻分别对应的预测分量数据序列，进行叠加重构，进而获得预设未来时间段内目标区域的预测风速。

2.根据权利要求1所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤B中，通过以下公式，对目标区域预设历史时间段内的风速数据序列，进行归一化处理：式中， 为目标区域预设历史时间段内的风速数据序列， 和 分别是目标区域预设历史时间段内的风速数据序列中的最小值和最大值， 是经过归一化处理后的风速数据序列。

3.根据权利要求1所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤C中，针对风速数据序列中各采样时刻分别对应的风速数据，执行以下步骤，获得各采样时刻风速数据分别对应的分量数据序列：步骤C1：针对风速数据，经过经验模态分解后得到K个本征模态函数分量、以及1个剩余分量，经验模态分解后的结果如下所示：式中， 为t时刻第k次筛选得到的本征模态函数分量，K为预设筛选次数，为剩余分量；

步骤C2：针对风速数据经过经验模态分解后得到K个本征模态函数分量，通过希尔伯特变换计算每个本征模态函数分量对应的频率，进而获得该风速数据对应的各本征模态函数分量的频率顺序：其中， 、 、 

，

式中， 为t时刻第k个本征模态函数分量对应的频率， 为t时刻希尔伯特变换的脉冲响应， 为t时刻该风速数据对应的第k个本征模态函数分量，即为 ，为希尔伯特变换函数。

4.根据权利要求3所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤C1中，每个本征模态函数分量满足下列两个限制：a.零点和极值点的数量差不超过1；

b.任意时刻，局部最大值和局部最小值的包络线之间的均值为0。

5.根据权利要求1所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤D中，针对各分量类型分别对应的预训练预测模型，在训练过程中均通过增强型的MVO算法对预测模型的待优化参数进行优化，具体过程如下：步骤D1：将预测模型的待优化参数设置为宇宙个体，初始随机生成待优化参数构成的宇宙种群U，U为 的矩阵，n为宇宙个体数量，d为宇宙维度即为待优化参数数量；基于各宇宙个体对应的适应度，获得适应度最高的宇宙个体作为当前宇宙种群中的最优宇宙ubest；

步骤D2：基于宇宙种群U、最优宇宙ubest，结合预设迭代次数L，迭代执行以下过程，迭代更新最优宇宙ubest，进而获得最优宇宙ubest作为优化后的待优化参数：步骤D2.1：针对宇宙种群U，通过轮盘赌机制进行更新，并基于更新后各宇宙个体对应的适应度，更新最优宇宙ubest；

步骤D2.2：基于最优宇宙ubest，结合当前迭代次数和预设最大迭代次数L，更新宇宙种群U；

步骤D2.3：基于宇宙种群U，通过线性递减参数的跳出规则，更新宇宙种群U；并基于更新后宇宙种群U中各宇宙个体对应的适应度，更新最优宇宙ubest；

步骤D2.4：判断当前迭代次数l是否达到预设最大迭代次数L，若未达到最大迭代次数，迭代次数l=l+1，返回步骤D2.1；若达到最大迭代次数，迭代结束，输出最优宇宙ubest。

6.根据权利要求5所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤D2.1中，通过以下公式，对宇宙种群U通过轮盘赌机制进行更新：式中， 表示宇宙种群U中第i个宇宙个体， 表示第i个宇宙个体经过归一化后的膨胀率，即适应度； 为[0,1]中的随机数， 表示宇宙种群U中第i个宇宙个体的第j维分量； 表示轮盘赌随机选定的宇宙种群U中第a个宇宙的第j维分量。

7.根据权利要求5所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤D2.2中，基于最优宇宙ubest，结合当前迭代次数l和预设最大迭代次数L，通过以下公式，更新宇宙种群U：其中， ， ，

式中， 表示宇宙种群U中第i个宇宙个体的第j维分量，TDR为宇宙个体中的物质在最优宇宙附近通过虫洞旅行的距离率； 表示最优宇宙Ubest的第j维分量， 是最优宇宙第j维分量上界， 是最优宇宙第j维分量下界； 均为[0,1]中的随机数，为当前最优宇宙的最大值， 为当前最优宇宙的最小值；WEP为宇宙中虫洞所占比例， 是参数WEP的上限， 为参数WEP的下限。

8.根据权利要求5所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤D2还包括步骤D2.2之后，通过以下过程，对宇宙种群U进行更新，然后执行步骤D2.3：步骤1：针对宇宙种群U，将宇宙种群U中各宇宙个体的各维度数据均转变成初始混沌变量 ，迭代执行以下步骤，对宇宙种群U进行更新：步骤1.1：针对宇宙种群U中各宇宙个体的各维度数据对应的混沌变量 ，通过以下公式，线性转化为 区间的映射变量 ：式中， 为预设参数；

步骤1.3：针对宇宙种群U中各宇宙个体的各维度数据对应的 ，通过以下公式，执行混沌搜索，获得新的各维度数据，进而获得新的宇宙种群：式中， 为搜索系数；

步骤1.4：针对新的宇宙种群与原宇宙种群中位置相对应的宇宙个体进行适应度的比较，保留适应度高的宇宙个体，更新宇宙种群U；

步骤1.5：判断当前搜索次数m是否达到预设搜索次数M，若达到预设搜索次数M，则停止迭代，输出更新的宇宙种群U；若未达到预设搜索次数M，通过以下公式，更新宇宙种群U中各宇宙个体的各维度数据对应的混沌变量，搜索次数m=m+1，返回步骤1.1；

式中， 为控制参数；

步骤2：基于步骤1获得的宇宙种群U，通过以下公式，对宇宙种群U中各宇宙个体进行更新，进而对宇宙种群U进行更新；

式中， 是高斯变异后的宇宙个体， 是原宇宙个体，G（0,1）是原宇宙个体服从高斯分布的随机数， 是变异权重， 为预设常数。

9.根据权利要求5所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤D2.3中，针对宇宙种群U中各宇宙个体，均迭代通过以下公式，直到各宇宙个体均搜索到适应度更优的宇宙个体，更新宇宙种群U：其中， ， ，

，

式中， 是第i个搜索单元位置，即为第i个宇宙个体的位置； 变量是指搜索单元之间的相互作用力对第i个搜索单元的影响力度；W是指宇宙集群外部影响因子；N为搜索单元总数；c为搜索控制参数，ub为搜索空间的上界，lb为搜索空间的下界；s(r)是计算宇宙集群之间相互影响因子的函数；f是指吸引力因子；v指吸引力长度； 是0到1间的随机数， 指新搜索到的 ， 表示第j个搜索单元产生的影响力， 表示第i个搜索单元产生的影响力，r表示影响因子系数。

10.根据权利要求1所述一种基于HHT‑BMVO‑BP的短期风速预测方法，其特征在于：所述步骤E中，基于在预设未来时间段内各采样时刻分别对应的预测分量数据序列，分别针对各采样时刻分别对应的预测分量进行叠加，获得各采样时刻分别对应的预测风速；进而针对在预设未来时间段内各采样时刻分别对应的预测风速，取其平均值，作为预设未来时间段内目标区域的预测风速。