1.一种基于多模型集成的风电场风速预测方法，其特征在于，包括以下步骤：步骤1：获取历史风速数据w0(t)；

步骤2：利用生成对抗网络GAN对w0(t)中的缺失值进行填补得到完整风速数据w1(t)，接着利用短时傅里叶变换STFT配合谱峭度算法，精确识别并剔除数据中的漂移数据，得到风速数据w(t)，并进行归一化处理；

步骤3：引入降阶变分非线性啁啾模态分解DVNCMD将数据分解为K个模态函数IMF，计算各个模态分量的信息熵H、样本熵S、排列熵P，通过特征融合综合熵值，获得各分量的融合特征熵E；

步骤4：通过分类器模型，将各个模态分量按照低熵值、中等熵值和高熵值分为平稳序列、较平稳序列及复杂序列，并基于平稳序列、较平稳序列及复杂序列分别建立BP神经网络、LSTM以及CNN‑Bi‑LSTM‑Attention预测模型进行预测；

步骤4.1：根据步骤3所得融合特征熵E，首先求均值，公式如下：式中：Es为第s个IMF分量的融合特征熵；

步骤4.2：设定高低熵阈值，将各个模态分量按照低熵值、中等熵值以及高熵值分为平稳序列、较平稳序列及复杂序列，阈值计算公式如下：式中：HE、LE表示熵的高阈值、熵的低阈值，σ1、σ2表示高低阈值的占比；

步骤5：采用牛顿‑拉弗森优化算法NRBO优化LSTM、CNN‑Bi‑LSTM‑Attention的超参数，得到最优参数组合；

步骤6：数据反归一化，将各分量预测结果叠加求和，得到最终的风速预测数据；

步骤7：对预测结果进行评价，引用评价指标克林‑古普塔效率系数KGE、平均相对误差MAPE。

2.根据权利要求1所述的基于多模型集成的风电场风速预测方法，其特征在于，所述步骤2的具体步骤如下：步骤2.1：导入历史风速数据w0(t)，使用GAN对w0(t)中的缺失值进行填补得到完整风速数据w1(t)，其步骤如下：a：首先构建GAN，包含生成与w0(t)分布相似的缺失风速数据 的生成器G与输出数据是概率的判别器D，具体如下：生成器：

判别器：D(w,θD)∈[0,1]

式中：z为生成器的随机噪声，w为w0(t)或 θG、θD分别为生成器与判别器的参数；

b：然后通过最小化一个特定的目标函数V(D，G)来训练GAN，公式如下：式中：Pdata(w)表示w0(t)的数据分布，Pz(z)表随机噪声z的先验分布， 表示历史风速数据w0(t)期望对数似然， 表示 的期望对数似然；c：构建完整风速数据w1(t)，检测w0(t)如果是原始值则保留，是缺失值则采用生成器G生成的数据填补，最终得到完整风速数据，具体如下：步骤2.2：使用STFT配合谱峭度算法对w1(t)精确识别并剔除数据中的漂移风速，定义W(f,t)为w1(t)在频率f和时间t的STFT结果；Φ(f,t)是谱峭度，用于识别w1(t)的漂移风速，表达式如下：式中：j为虚数单位，Θ为采用自适应阈值法设定的阈值；R(f,t)指示变量，当其为1是表示存在漂移风速；其值为0时，不存在漂移；

步骤2.3：风速w(t)的计算公式如下：

w(t)＝IFFT(Σf[W(f,t)·(1‑R(f,t))])式中：IFFT为逆短时傅里叶变换。

3.根据权利要求1所述的基于多模型集成的风电场风速预测方法，其特征在于，步骤3引入降阶变分非线性调频模态分解DVNCMD分解风速数据w(t)，并计算各分量的融合特征熵E，具体包括：步骤3.1：确定窗口大小T，并对风速数据w(t)在时间窗口[t‑T，t]上构建风速预测输入特征矩阵W(t)；

步骤3.2：然后选择非线性啁啾基函数ψ(t)，该基函数如下式：式中：j是虚数单位，ai是振幅，bi(t)是瞬时频率，θi是相位，ψi(t)第i个非线性啁啾基函数；

步骤3.3：构建能量函数F，用于衡量风速w(t)与通过非线性啁啾基函数近似的风速wapprox(t)之间的差异，具体如下：式中：ci为系数，I为基函数的数量；

步骤3.4：构建风速w(t)的IMF分量，具体如下：a：选择一组初始的基函数参数ai、bi(t)、θi；

b：使用梯度下降法最小化能量函数F，找到最优的基函数参数并构建近似风速wapprox(t)；

c：将近似风速wapprox(t)从风速w(t)中减去，得到残差wr(t)；

e：将残差wr(t)作为新的输入，重复步骤b‑c，得到风速w(t)的K个IMF分量；

步骤3.5：计算K个IMF分量的信息熵H、样本熵S和排列熵P，通过变异系数法确定权重，计算得到融合熵E，以此量化K个IMF分量的复杂性，其中高熵值表示高复杂性，E的公式如下所示：E＝ω1×H+ω2×S+ω3×P

式中：ω1、ω2、ω3分别为信息熵H、样本熵S、排列熵P的权重。

4.根据权利要求1所述的基于多模型集成的风电场风速预测方法，其特征在于，步骤5采用牛顿‑拉弗森优化算法NRBO优化LSTM的隐含层神经元数、学习率以及批量大小，优化CNN‑Bi‑LSTM‑Attention的学习率、隐藏层节点数、CNN层的卷积核的数量、大小及步长、Bi‑LSTM层的LSTM单元的数量、Attention的查询、键以及值。

5.根据权利要求4所述的基于多模型集成的风电场风速预测方法，其特征在于，采用牛顿‑拉弗森优化算法NRBO优化LSTM、CNN‑Bi‑LSTM‑Attention的超参数的具体步骤如下：步骤5.1：初始化LSTM以及CNN‑Bi‑LSTM‑Attention的超参数：ξk＝ξk,min+rand·(ξk,max‑ξk,min)式中：ξk表示第k个参数，ξk,min,ξk,max分别表示第k个参数的最小值与最大值，rand是一个介于(0，1)之间的随机数；

步骤5.2：引入NRBO算法优化超参数，具体步骤如下：a：使用牛顿‑拉弗森搜索规则NRSR迭代求得超参数更新值，迭代公式如下：式中：h为迭代次数；

b：使用陷阱避免算子(TAO)帮助算法避免陷入局部最优解，其中TAO通过最佳超参数ξbest和ξk,h来生成一个增强超参数 具体如下：ξ＝θ1×(μ1×ξbest‑μ2×ξk,h)+θ2×δ×(μ1×Mean(ξk,h)‑μ2×ξk,h)μ1＝3×β×rand+(1‑β)μ2＝β×rand+(1‑β)

式中：β为二进制数，θ1∈(‑1,1),θ2∈(‑0.5,0.5)，Mean(ξk,h)表示为均值；

c：采用贪婪准则确定是否采用TAO生成的超参数

步骤5.3：采用均方误差进行适应度分析，接着判断是否到最大迭代次数：步骤5.4：输出最优解超参数组合。

6.一种基于多模型集成的风电场风速预测系统，其特征在于，系统包括：数据采集模块、网关节点、阿里云物联网平台、数据量阈值判断模块、智能预测系统模块以及客户端显示模块；

所述数据采集模块通过网关节点与所述阿里云物联网平台连接，所述智能预测系统模块与所述阿里云物联网平台连接，其根据所述数据采集模块采集的历史风速数据w0(t)进行风电场风速预测，所述智能预测系统模块与所述数据采集模块之间执行如权利要求1至5任一所述的基于多模型集成的风电场风速预测方法，所述客户端显示模块与通过智能预测系统模块与所述阿里云物联网平台连接，可视化展示实时检测的风速数据及风速预测结果。

7.根据权利要求6所述的一种基于多模型集成的风电场风速预测系统，其特征在于，还包括数据量阈值判断模块，其设置于智能预测系统模块与阿里云物联网平台之间，用于确定何时触发智能预测系统模块中的模型重新训练的数据量阈值。