1.一种风能调控混合储能系统，其特征在于：包括：数据采集模块，用于通过电力高压计量智能控制器采集实时风能负荷数据；

预测模块，包括风能负载预测模块和电价预测模块，所述风能负载预测模块基于实时风能负荷数据得到风能负载预测结果，电价预测模块基于历史电力价格数据得到电价预测结果；采用VMD‑IGW‑KELM优化算法，对电价和风能负载进行预测；

所述VMD‑IGW‑KELM优化算法，采用IGW算法对KELM模型中的核函数以及惩罚系数进行优化，IGW算法中的目标函数为：efit＝k1e1+k2e2

Cfit＝f(gfit,efit)

其中，gfit为待评估的核函数，efit为待评估的惩罚系数，k1、k2为参数系数，d为适应度值，gnow为当前核函数，e1为自适应权重，e2为[0，1]的随机数，Cfit＝f(·)为适应度函数；

所述VMD‑IGW‑KELM优化算法，采用IGW算法对KELM模型中的核函数以及惩罚系数进行优化，IGW算法中核函数和惩罚系数值的搜索步长计算公式如下：Sti(t+1)＝T·Sti(t)+C1·cos(r1)·(besti‑xi(t))+C2·sin(r2)·(besti‑xi(t))其中，Sti(t+1)为设定t+1时间的步长，Sti(t)为设定t时间的步长，besti为最佳时间，xi(t)为t时间的负荷数据序数，C1、C2为[0,2]之间的随机变量，r1、r2为[0,1]之间的随机数，T为转移因子；

种群位置的更新公式为：

其中，g(ti)e(ti)，g(ti+1)e(ti+1)分别表示第i段时间的函数在第i次、第i+1时间段次迭*代中的解向量； 为自适应权重，f(gi,fi)为表达目标函数，r是[0，1]的随机数；η为当前迭代中的最优解；Hi为第i段时间的全局搜索运行功率排序集；

混合储能模块，包括锂电池模块和超级电容模块，用于风能的存储和释放；

电力高压计量智能控制器，用于监测电网线路上负载端的功率；

储能管理模块，包括控制系统、能源路由器和BMS；控制系统获取预测模块的预测结果，通过充放电控制策略得到充放电决策结果；能源路由器根据充放电决策结果，控制混合储能模块的充放电动作；BMS用于获取电池组的状态信息并发送至能源路由器。

2.根据权利要求1所述的风能调控混合储能系统，其特征在于：所述监测电网线路上负载端的功率，包括有功功率、无功功率、视在功率、功率因数。

3.根据权利要求1所述的风能调控混合储能系统，其特征在于：所述控制系统，根据风能负载预测结果、电价预测结果、平均电价和能源路由器上送的混合储能模块的剩余容量，通过充放电控制策略，得到充放电决策结果。

4.一种应用于权利要求1所述的风能调控混合储能系统的控制方法，其特征在于，控制系统中的充放电控制策略包括：Case1：当Ppre＞Chess时，混合储能模块放电同时电网供电；

Case2：当Ppre≤Chess时，混合储能模块放电同时电网停止供电；

Case3：当 时，电网仅给锂电池模块充电；

Case4：当 时，电网给混合储能模块充电；

Ppre为预测风能负载数据，Mec为预测电价数据， 为当地的平均电价，Chess为利用BMS监测混合储能模块的剩余容量。

5.根据权利要求4所述的风能调控混合储能系统的控制方法，其特征在于：基于实时风能负荷数据得到风能负载预测结果，包括以下步骤：步骤1：对实时风能负荷数据和历史负荷数据进行数据预处理；

步骤2：提取风力负荷数据的各模态分量和一个残差分量；

步骤3：将每个模态分量归一化后划分为训练数据集和测试数据集；

步骤4：将训练数据集作为输入x，对KELM预测模型进行训练，KELM预测模型隐藏层的输出进入到输出层，引入核函数，KELM预测模型的输出为：T

式中， 为KELM预测模型的输出，y为隐藏层的输出，C表示惩罚系数，Ω＝HH，K(xi,xj)为高斯核函数，表示为，ψ为核函数；xi、xj为输入x的第i、j项；

步骤5：求解输出最小误差；

步骤6：采用IGW算法对KELM模型中的核函数以及惩罚系数进行优化。

6.根据权利要求5所述的风能调控混合储能系统的控制方法，其特征在于：所述步骤1中的数据预处理，计算式为：对数据进行Fourier Transform变换，变换公式如下：其中， T’为周期，基频为ω，Bn为数据集，n为模态分量数，n会趋于无穷；

其中，fn(t)为模态分量，x为负荷数据序数，n为模态分量数，δ为狄拉克函数，w为频率。

7.根据权利要求5所述的风能调控混合储能系统的控制方法，其特征在于：基于历史电力价格数据得到电价预测结果，包括以下步骤：步骤1：输入历史电力价格数据，进行数据预处理，对数据进行Fourier Transform变换；

步骤2：提取电力价格数据的各模态分量和一个残差分量；

步骤3：将每个分量归一化后划分为训练数据集和测试数据集；

步骤4：将训练数据集输入到IGW预测模型进行训练，KELM预测模型隐藏层的输出进入输出层时，引入核函数；

步骤5：求解输出最小误差，通过RMSE求解方程进而寻找最小训练误差；

步骤6：采用IGW算法对KELM模型中的核函数以及惩罚系数进行优化。