1.一种储能式液压型风力发电机组超短期输出功率预测方法，其特征在于，其包含以下步骤：S1：采集风速历史数据；

S2：采用CEEMDAN‑LSTM组合模型对风速进行预测，得到风速预测值；

S3：构建优化的分功率曲线模型；

S31：采用逻辑分布模型构建分功率曲线模型：；

其中，参数向量 为WPC曲线的参数向量，表示风速，表示风力机功率幅值， 表示形状调节因子，表示曲线斜率控制因子，e为自然常数；

S32：参数优化；

使用Jaya算法对参数向量 进行最优化，目标函数 为最小化预测功率 和历史实测功率 之间的均方根误差；使用最优参数向量 的分功率曲线模型被称为优化后的分功率曲线模型；

S4：使用优化后的分功率曲线模型，根据风速预测值得到风力机输出功率预测值；

S5：构建液压系统效率物理模型，获得液压系统传动效率理论值 ，用作S6的物理约束；

S6：构建基于PINN的液压系统传动效率模型，得到液压系统传动效率预测值 ，其中基于PINN的液压系统传动效率模型的联合损失函数包括数据损失项和物理残差项；

S7：根据 和 获得液压马达输出轴的机械功率预测值 ；

S8：构建基于LSTM的液压储能预测模型，得到预测的储能功率 和预测的发电功率输出值 ；

S9：根据PINN‑LSTM联合神经网络得到最终输出功率预测值 ；

构建基于PINN的电机转换效率模型得到修正后的电机转换效率 ，基于PINN的电机转换效率模型和S8的基于LSTM的液压储能预测模型一起构成PINN‑LSTM联合神经网络，设置PINN‑LSTM联合神经网络训练损失函数；根据最终输出功率预测表达式得到最终输出功率预测值 。

2.根据权利要求1所述的储能式液压型风力发电机组超短期输出功率预测方法，其特征在于，所述S2采用CEEMDAN‑LSTM组合模型对风速进行预测，得到风速预测值，具体为：S21：使用CEEMDAN将S1中的历史风速序列 分解为多个固有模态函数以及残差项；

S22：对每个IMF及 分别使用独立的LSTM网络进行预测，将每个LSTM网络的预测结果进行合并，得到风速预测值 。

3.根据权利要求1所述的储能式液压型风力发电机组超短期输出功率预测方法，其特征在于，所述S5，构建液压系统效率物理模型，获得液压系统传动效率理论值 ，用作S6的物理约束；具体为：S51：建立储能式液压型风力发电机机组液压传动系统的液压系统效率物理模型：；

其中， 为液压系统传动效率理论值， 为液压泵效率， 为液压马达效率，为液压管路效率。

4.根据权利要求1所述的储能式液压型风力发电机组超短期输出功率预测方法，其特征在于，所述S6，构建基于PINN的液压系统传动效率模型，得到液压系统传动效率预测值；具体为：S61：构建基于PINN的液压系统传动效率模型并引入物理约束；

构建基于PINN的液压系统传动效率模型，其结构如下：；

其中， 为S4获得的风力机输出功率预测值， 为高压管路和低压管路之间的压差， 为管道体积流量， 为液压油温度， 为液压马达转速， 为液压泵转速，为液压系统传动效率预测值；

构造包含物理残差的联合损失函数为 ：

；

其中， 为联合损失函数， 为数据损失项， 为物理约束项的权重因子， 为物理残差项；

数据损失项 ，用于监督预测精度：

；

其中， 为基于PINN的液压系统传动效率模型对于第i个样本的液压系统传动效率预测值， 为第i个样本实际的液压系统传动效率，通过传感器测量液压系统的实际输入输出功率计算得到，N为样本数量；

物理残差项 ，用于监督物理一致性：

；

其中， 为由液压系统效率物理模型计算出的第i个样本对应的液压系统传动效率理论值。

5.根据权利要求4所述的储能式液压型风力发电机组超短期输出功率预测方法，其特征在于，还包括S62，具体为：S62：参数在线更新；

引入扩展卡尔曼滤波对关键时变参数进行实时更新，更新公式为：；

其中， 为在t时刻的参数估计值， 为根据上一时刻推算得到的先验参数估计值，为卡尔曼增益，用于平衡预测值与测量值之间的权重，决定更新幅度， 为在t时刻的实际测量输出量， 为由预测参数 通过系统观测模型函数 得到的预测观测值，为观测残差；

具体为液压泵的泄露系数 ，液压马达的泄露系数 ，液压泵的摩擦阻力损耗或者液压马达的摩擦阻力损耗 ，更新后的参数用于修正基于PINN的液压系统传动效率模型的物理残差项。

6.根据权利要求1所述的储能式液压型风力发电机组超短期输出功率预测方法，其特征在于，所述S8，构建基于LSTM的液压储能预测模型，得到预测的储能功率 和预测的发电功率输出值 ；具体为：基于LSTM的液压储能预测模型的输入至少包括：液压马达输出轴的机械功率预测值、当前风速 、液压压力 、液压马达转速 、蓄能器压力 、蓄能器当前压力 和储能系统能量 。

7.根据权利要求1所述的储能式液压型风力发电机组超短期输出功率预测方法，其特征在于，所述S9，根据PINN‑LSTM联合神经网络得到最终输出功率预测值 ；具体为：S91：构建基于PINN的电机转换效率模型；

构建基于PINN的电机转换效率模型，以液压系统运行状态作为输入，输出修正后的电机转换效率 ：；

其中， 为储能器当前压力， 为轴转速， 为储能HPM排量， 为系统总功率，Pmotor为液压马达输出轴的机械功率预测值， 为储能功率；

S92：对PINN‑LSTM联合损失函数设计；

基于PINN的电机转换效率模型和基于LSTM的液压储能预测模型一起构成PINN‑LSTM联合神经网络，对PINN‑LSTM联合神经网络设计训练损失函数；

S93：得到最终输出功率预测值；

使用PINN‑LSTM联合神经网络得到的最终输出功率预测表达式为：；

其中， 为最终输出功率预测值， 为液压马达输出轴的机械功率预测值，为PINN‑LSTM联合神经网络中LSTM输出的预测的储能功率， 为PINN‑LSTM联合神经网络中PINN输出的修正后的电机转换效率。

8.根据权利要求7所述的储能式液压型风力发电机组超短期输出功率预测方法，其特征在于，所述S92中对PINN‑LSTM联合神经网络设计训练损失函数；具体为：训练损失函数由三部分组成：

；

具体为，数据拟合项：

；

发电功率守恒误差项：

；

储能功率一致性误差项：

；

其中， 、 为约束损失项的调节系数， 为系统的实际输出功率。