1.一种风速预测变桨控制方法，其特征在于，包括以下步骤：（1）获取风场实时数据并进行预处理，得到风速序列和气象序列；同时获取风轮的桨距角的状态检测信号；

（2）将风速序列和气象序列进行变分模态分解，得到分解后的数据；受约束的变分模态分解公式为：；

；

式中： 为未分解主信号； 为模态函数；{ }={ }为所得K阶模态的中心频率； 为狄拉克分布； 为卷积；为虚数单位，为时间脚本；

引入惩罚因子 、拉格朗日乘法算子 ，将约束变分问题转变为非约束变分问题，对 、和 进行迭代更新，获得一系列变分模态分量；

（3）将分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；

（4）将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；双向长短期神经网络包括输入层、Bi‑LSTM层、全连接层和输出层；所述输入层中将第 天时刻前个融合后的特征序列 作为输入，时刻后 个融合后的特征序列 作为输出，其中 为时间步长，为预测步长；

所述Bi‑LSTM层中从1至 时刻进行正向和反向的数据特征学习，两个方向整合后反馈到全连接层；加入Dropout层以防止过拟合，选取均方误差作为损失函数；确定训练次数 、学习率 、隐藏层神经元个数 ；

所述全连接层中对数据进行降维处理，转换成一维数据；

所述输出层负责输出与所输入本征模态分量相对应的风速预测结果；

所述Bi‑LSTM层中采用改进蝗虫优化算法确定训练次数 、学习率 、隐藏层神经元个数；具体包括以下步骤：（41）初始化训练次数 、学习率 、隐藏层神经元个数 、蝗虫种族 、最大迭代次数 ；

蝗虫优化算法的数学模型为：

；

其中，为蝗虫的数量，为递减系数， 为社会力量强度的函数 在 维空间上的上界， 为社会力量强度的函数 在 维空间上的下界，为第 个蝗虫的位置，为第 个蝗虫的位置， 为第 个蝗虫与第 个蝗虫之间的距离， 为目前为止蝗虫位置在 维空间上的最佳解；

（42）计算蝗虫个体的适应度，寻找当前种群非支配解并更新外部档案集，更新迭代次数；

（43）判断是否达到最大迭代次数，是则进入步骤（47），否则进入步骤（44）；

（44）计算蝗虫个体之间的距离，并更新递减系数；

（45）选取优势蝗虫个体，对优势个体进行柯西变异，使其跳出局部最优；

（46）判断变异个体是否优于原个体，若优于，则更新蝗虫位置；否则保留原始解，返回步骤（42）；

（47）输出最优解，并输出最优解中的训练次数 、学习率 、隐藏层神经元个数 ；

（5）根据风速预测结果、风轮叶尖速比和风力发电机的转速误差对桨距进行非线性优化，得到优化后的桨距信号；

（6）根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。

2.根据权利要求1所述的风速预测变桨控制方法，其特征在于，所述步骤（6）中通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。

3.一种采用权利要求1所述风速预测变桨控制方法的风速预测变桨控制系统，其特征在于，包括：测风仪，用于采集风场实时数据；

位移传感器，用于获取风轮的桨距角的状态检测信号；

分解模块，用于对采集的风场实时数据进行预处理，得到风速序列和气象序列，并将风速序列和气象序列进行变分模态分解，得到分解后的数据；

特征融合模块，用于将分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；

预测模块，用于将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；

控制信号优化模块，用于根据风速预测结果、风轮叶尖速比和风力发电机的转速误差值对桨距进行非线性优化，得到优化后的桨距信号；

变桨控制模块，用于根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。

4.根据权利要求3所述的风速预测变桨控制系统，其特征在于，还包括叶尖速比优化器，用于根据采集的风场实时数据计算当前风速下风轮的最佳叶尖速比。

5.根据权利要求3所述的风速预测变桨控制系统，其特征在于，还包括转速控制器，用于实时监测风力发电机的转子转速，并计算风力发电机的转子的转速误差值。

6.根据权利要求3所述的风速预测变桨控制系统，其特征在于，所述变桨控制模块通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。

7.根据权利要求3所述的风速预测变桨控制系统，其特征在于，所述预测模块中还包括模型优化模块，所述模型优化模块用于通过改进蝗虫优化算法确定双向长短期神经网络中的训练次数 、学习率 、隐藏层神经元个数 。