1.一种农业新能源风力发电控制系统，其特征在于，包括：

风力发电机组，用于将风能转化为电能，包括风轮、发电机和变桨机构，其中，风轮用于捕获风能并将风力传送到转子轴心；发电机用于将转子轴心的机械能转换为电能并输出给电网或负载；变桨机构用于根据控制器的控制信号，调节风轮的桨距角，使风轮的桨距角与控制器计算出的最优桨距角一致；

风速风向传感器，用于检测风速和风向，并将检测信号发送给控制器；

控制器，采用分布式模型预测控制算法；所述分布式模型预测控制算法为：以预定的时间间隔为控制周期，每个控制周期内，根据风速风向传感器的检测信号和超短期风电功率预测值，建立风力发电机组的输出功率预测模型；根据电网频率传感器的检测信号和调频模块的计算结果，确定风力发电机组的调频功率需求值；在每个控制周期内，以当前时刻为起点，向前预测预定长度的预测时域，以当前时刻为终点，向后规划预定长度的控制时域，分别确定风力发电机组的输出功率预测值和调频功率需求值；在预测时域和控制时域内，以最大化风能利用率和最小化风力发电机组的调频损失为目标函数，以风力发电机组的动态特性、输出功率限制、转速限制、桨距角限制、调频功率限制为约束条件，求解最优控制问题，得到最优转速和最优桨距角的控制序列；从最优控制序列中取出第一个控制时刻的最优转速和最优桨距角，作为控制器的控制信号，输出给变频器和变桨机构，实现风力发电机组的控制；

变频器，用于根据控制器的控制信号，调节发电机的转速，使发电机的转速与控制器计算出的最优转速一致；

逆变器，用于将发电机输出的交流电转换为与电网匹配的交流电，并将其并入电网；

超短期风电功率预测模块，用于根据风速风向传感器的检测信号和历史数据，预测风力发电机组在未来的预设时间内的输出功率，采用基于灰色模型和神经网络的混合预测方法：利用灰色模型对风速进行短期预测，得到风速预测值；利用神经网络对风速预测值进行修正，得到更精确的风速预测值；根据风速预测值和风力发电机组的输出功率预测模型，计算风力发电机组在未来的预设时间内的输出功率预测值，并将其发送给控制器；

调频模块，用于根据电网的频率偏差和超短期风电功率预测值，计算风力发电机组的调频功率，并将其发送给控制器；

电网频率传感器，用于检测电网的频率，并将检测信号发送给调频模块。

2.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述风力发电机组的最优转速 和最优桨距角 的计算公式如下：，

，

其中， 为风力发电机组的输出功率预测值， 为空气密度， 为风轮半径， 为风能利用系数， 为最优风力系数， 为风轮设计风力系数， 为风轮设计桨距角。

3.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述风力发电机组的调频损失 的计算公式如下：，

其中， 为控制时域的长度， 为风力发电机组的转动惯量， 为风力发电机组的桨距调节刚度， 和 分别为第 个控制时刻的转速和桨距角， 和 分别为第个控制时刻的转速和桨距角。

4.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述风力发电机组的输出功率预测模型为：，

其中， 为第 个预测时刻的输出功率预测值， 为空气密度， 为风轮半径，为风能利用系数，是一个关于风力系数 和桨距角 的函数，表示风能转化为机械能的效率，在0到0.59之间变化， 为第 个预测时刻的风速预测值， 和 分别为第 个预测时刻的风力系数和桨距角。

5.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述灰色模型为一阶单变量灰色模型，其建模公式为：，

其中， 为第 个时刻的风速原始数据， 为第 个时刻的风速数

据，和 为灰色模型的参数，通过最小二乘法估计得到。

6.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述神经网络为多层感知器神经网络，其结构为：输入层，包含 个输入神经元，分别接收 个时刻的风速预测值；

隐藏层，包含 个隐藏神经元，采用 激活函数；

输出层，包含一个输出神经元，输出修正后的风速预测值，其中， 和 为神经网络的超参数，通过交叉验证法确定，神经网络的权重和偏置通过反向传播算法更新。

7.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述调频模块采用基于滑模变结构控制的调频策略，具体步骤如下：（1）根据电网频率偏差的大小和方向，确定风力发电机组的调频功率方向和幅值；

（2）根据风力发电机组的输出功率预测值和调频功率需求值，确定风力发电机组的调频功率限制值；

（3）根据滑模变结构控制的原理，设计滑模面和滑模控制律，使风力发电机组的调频功率跟踪调频功率需求值，并满足调频功率限制值；

（4）将风力发电机组的调频功率发送给控制器。

8.一种农业新能源风力发电控制方法，其特征在于，包括以下步骤：

步骤101、风速风向传感器检测风速和风向，并将检测信号发送给控制器；

步骤102、控制器根据风速和风向的检测信号，计算风力发电机组的最优转速和桨距角，并输出控制信号给变频器和变桨机构；

步骤103、变频器根据控制器的控制信号，调节发电机的转速，使发电机的转速与控制器计算出的最优转速一致；

步骤104、变桨机构根据控制器的控制信号，调节风轮的桨距角，使风轮的桨距角与控制器计算出的最优桨距角一致；

步骤105、风轮捕获风能并将风力传送到转子轴心，发电机将转子轴心的机械能转换为电能并输出给逆变器；

步骤106、逆变器将发电机输出的交流电转换为与电网匹配的交流电，并将其并入电网；

步骤107、超短期风电功率预测模块根据风速和风向的检测信号和历史数据，预测风力发电机组在未来的预设时间内的输出功率，所述超短期风电功率预测模块采用基于灰色模型和神经网络的混合预测方法：利用灰色模型对风速进行短期预测，得到风速预测值；利用神经网络对风速预测值进行修正，得到更精确的风速预测值；根据风速预测值和风力发电机组的输出功率预测模型，计算风力发电机组在未来的预设时间内的输出功率预测值，并将其发送给控制器；

步骤108、电网频率传感器检测电网的频率，并将检测信号发送给调频模块，调频模块根据检测信号和超短期风电功率预测值，计算风力发电机组的调频功率，并将其发送给控制器；

步骤109、控制器根据风力发电机组的输出功率预测值和调频功率需求值，采用分布式模型预测控制算法；所述分布式模型预测控制算法为：以预定的时间间隔为控制周期，每个控制周期内，根据风速风向传感器的检测信号和超短期风电功率预测值，建立风力发电机组的输出功率预测模型；根据电网频率传感器的检测信号和调频模块的计算结果，确定风力发电机组的调频功率需求值；在每个控制周期内，以当前时刻为起点，向前预测预定长度的预测时域，以当前时刻为终点，向后规划预定长度的控制时域，分别确定风力发电机组的输出功率预测值和调频功率需求值；在预测时域和控制时域内，以最大化风能利用率和最小化风力发电机组的调频损失为目标函数，以风力发电机组的动态特性、输出功率限制、转速限制、桨距角限制、调频功率限制为约束条件，求解最优控制问题，得到最优转速和最优桨距角的控制序列；从最优控制序列中取出第一个控制时刻的最优转速和最优桨距角，作为控制器的控制信号，输出给变频器和变桨机构，实现风力发电机组的控制；

步骤110、重复开始执行步骤101‑步骤109，直到风力发电机组的控制任务完成。