1.一种基于大数据的智能调控混合储能电力系统，其特征在于，包括大数据采集模块、VMD‑FSA‑KELM预测模块、储能管理模块、混合储能模块、AMR智能计量器、电网；

所述大数据采集模块采集历史负荷数据以及历史电力价格数据；

所述VMD‑FSA‑KELM预测模块包括负载子预测模块和电价子预测模块；负载子预测模块基于历史负荷数据得到负载预测结果；电价子预测模块基于历史电力价格数据得到电价预测结果；

所述储能管理模块包括控制系统、PCS储能变流器、BMS；PCS储能变流器是储能管理模块与外界进行能量交换的装置；控制系统通过控制策略控制PCS储能变流器来控制混合储能模块充放电情况；BMS用来防止电池出现过充电和过放电，延长电池的使用寿命，监控电池的状态，负责监测储能模块的健康状况；

所述混合储能模块进行电能的存储及释放，包括锂电池模块和超级电容模块；

所述AMR智能计量器实时测量负载端的功率、混合储能模块容量；

所述负载子预测模块的预测过程如下：

S1：输入历史负荷数据并将负载实时的负荷数据作为历史数据，进行数据预处理；

S2：提取电力负荷数据的各模态分量和一个残差分量；

S3：将每个分量归一化后划分为训练数据集和测试数据集；

S4：将训练数据集作为输入x带入到KELM预测模型进行训练，确定第j个隐藏层节点的输出，输出预测负载所需的电能；

S5：确定KELM预测模型隐藏层的输出H(x)：H(x)＝[h1(x),h2(x),…,hL(x)]S6：当信号通过隐藏层进入输出层时，引入核函数代替h(x)，记KELM预测模型的输出为表达公式如下所示：T +

式中Ω＝HH，h(x)＝H为隐含层的输出矩阵，H为矩阵H的广义逆矩阵，K(xi,xj)为高斯核函数，表示为：其中，ψ为核函数，C为惩罚系数；

S7：求解输出最小误差，通过平均绝对百分比求解方程进而寻找最小训练误差，求解的目标函数如下所示：式中：ξ表示训练误差，Num为样本总数，y*、x*为负载的实测值和预测值；

S8：采用FSA算法对KELM模型中的核函数以及惩罚系数进行优化；

所述S8实现过程如下：

S81：初始化种群：将种群数量设置为P，每个种群都对应一组核函数和惩罚系数值，最大迭代次数为IterMax，第一部分迁移的火烈鸟比例为MPb；

S82：找到每个火烈鸟的核函数和惩罚系数的适应度，并根据火烈鸟个体的适应度值对火烈鸟种群进行排序；低适应度的前火烈鸟MPb和高适应度的前火烈鸟MPt被视为迁徙火烈鸟，而其他火烈鸟被视为觅食火烈鸟，迭代公式如下式：MPr＝rand[0,1]×P×(1‑MPb)其中，MPr为第r次迭代的数量；

S83：更新迁徙火烈鸟和觅食火烈鸟位置，即核函数和惩罚系数的值；

S84：检查是否有超出边界的火烈鸟，最大范围公式定义为：Lmax＝|G1×xbj+ε×xij|

其中，Lmax表示最大范围，ε表示[‑1,1]的随机数；

S85：如果达到最大迭代次数，则转至S86；否则，转至S81；

S86：输出最优核函数和惩罚系数的值；

所述控制策略为：

通过VMD‑FSA‑KELM预测模块得到预测负载数据Ppre，预测电价数据Mec，记当地的平均电价 利用AMR智能计量器混合储能模块的剩余容量为Chess；

根据负载及电价情况执行放电或充电环节策略：当Ppre>Chess时，混合储能模块放电同时电网供电；

当Ppre≤Chess时，混合储能模块放电，电网不动作；

当 时，电网仅给超级电容模块充电；

当 时，电网给混合储能模块充电。

2.根据权利要求1所述的一种基于大数据的智能调控混合储能电力系统，其特征在于，步骤S1所述数据预处理是对数据进行Hilbert变换，变换公式如下：其中，uk为模态分量x为负荷数据序数，k为模态分量数，α为二次惩罚因子，δ(t)为狄拉克函数，wk为频率。

3.根据权利要求1所述的一种基于大数据的智能调控混合储能电力系统，其特征在于，所述步骤S83实现过程如下：其中， 表示第t、(t+1)次迭代中第i只火烈鸟在种群第j维中的位置， 在t迭代中种群中具有最佳适应度的火烈鸟的第j维位置；G2和G1遵循标准正态分布的随机数，范围是[‑1,1]；ε1、ε2是个[‑1,1]的随机数；K是一个随机数，遵循卡方分布，它被用来增加火烈鸟觅食范围的大小，模拟自然界中个体选择的机会，提高其全局择优能力；

其中，ω＝N(0，n)是一个具有n个自由度的高斯随机数。