1.一种结合气象因素的超短期风电场功率预测方法，其特征在于：包括如下步骤：
步骤一、对风电功率历史数据、nwp气象数据进行预处理，补齐缺失数据和修改异常数据；
步骤二、生成风电功率预测模型，包括以下步骤：
(1)利用pearson系数分析nwp数据和历史功率数据之间的相关性，对nwp数据和历史功率数据归一化处理，提取相关性强的气象数据作为模型的输入，用于训练预测模型；利用pearson系数对nwp系统提供的气象数据和风电场scada数据采集系统提供的历史功率数据做相关性分析，提取出的气象因素包括风速、温度、大气密度、湿度分别构成与历史功率数据具有相同时间步长的向量x和y,然后利用pearson系数公式：
对二者进行相关性分析，其中相关系数在(0.8-1.0)和(0.6-0.8)的气象因素为相关性强的气象因素，然后对提取出的气象因素与风电功率历史数据进行归一化处理，其归一化表达式为：
式中xmax和xmin分别为该变量的极大值和极小值；
经过预测模型得到的风电功率预测数据，再进行反归一化处理使其具有物理意义，反归一化的表达式为：
x＝0.5[x'(xmax-xmin)+(xmax-xmin)](3)
分析气象因素与风电功率的相关性能够更好的利用nwp数值天气预报的气象数据；
(2)基于门控循环单元神经网络对输入的气象数据处理得到初始预测功率；采用门控循环单元神经网络作为风电功率预测的预测模型，隐藏层信息传递是通过一个更新门u(t)和一个重置门r(t)来实现的，在t时刻gru接收当前状态x(t)、上一时刻的隐藏状态h(t-1)，在信息传递过程中，更新门同时进行遗忘和记忆2个步骤，运算决定选择多少信息输入网络，遗忘多少过去的信息；重置门决定忘记过去的信息量；gru网络隐藏层的输出h(t)最终由更新门和重置门的动态控制形成，gru各个变量间的计算公式如下：
u(t)＝ψ(wuh(t-1)+uux(t))(4)
r(t)＝ψ(wrh(t-1)+urx(t))(5)
式中：wu、wr、wc为连接隐藏层输出信号的参数矩阵；uu、ur、uc为连接输入信号的参数矩阵；ψ(·)为激活函数，为sigmoid激活函数；
隐含层t时刻的h(t)将会作为t时刻的信息乘上相应的权值并传入gru的输出层
y'i＝σ(ωih(t))+bi(8)
对yi进行反归一化处理
yi＝0.5[y′i(y'max-y'min)+(y'max+y'min)](9)
(3)基于混沌理论的萤火虫群体优化算法，对由门控循环单元神经网络得到的预测值和历史值构成的误差修正函数进行寻优，得到最优解对应的神经网络参数，生成预测模型；利用已有的历史功率数据
所述步骤(3)中，利用基于混沌理论的萤火虫优化算法结合门控循环单元神经网络(cdpfa-gru)构成组合算法，通过构建好的目标误差函数来寻找到门控循环单元神经网络训练模型所应的各层权值和阈值等相关参数，其算法的主要步骤为：
步骤1初始化每个萤火虫的最大吸引度β0，吸收系数γ，随机步长大小α，迭代次数maxt，目标函数自变量个数8；
步骤2首先随机产生wu、wr、wc、uu、ur、uc、ωi、bi各个参数，其矩阵维数要根据具体的预测数据维度和门控循环单元隐含层公式来设计，采用tent映射产生混沌序列其表达式为：
对萤火虫的位置进行初始化，萤火虫初始位置即为门控循环单元神经网络的初始权值，对萤火虫个体搜索空间定义上下限ud,dd，并把混沌变量映射到搜索空间中
步骤3根据(13)确定萤火虫之间的距离
β(γ)＝β0*exp(-γrj)(14)
xi(t+1)＝xi(t)+β0*exp(-γrj)*(xj(t)-xi(t))+α*(r1-0.5)*xm(15)xb(t+1)＝xb(t)+α(r2-0.5)*xm(16)
式(14)更新萤火虫吸引度，式(15)更新萤火虫的位置，式(16)确定最优个体的萤火虫随机飞行；
步骤4利用(17)和(18)来更新萤火虫的最优个体
ng＝g*(1+cauchy(σ)*range)(17)
步骤5若迭代次数等于np，则开始生成新的萤火虫个体；
1)采用式(19)产生ps个新个体；
2)采用随机方式替换掉原种群中的ps个个体；
3)对于每个萤火虫个体，计算其新位置对应的目标值f(yi)；
4)记录全局最优值；
步骤6若算法停止准则满足，则停止；否则转入步骤3；
步骤7输出全局最优值g，算法结束；
步骤三、利用训练好的模型和未来nwp气象数据进行未来的风电功率预测。
2.根据权利要求1所述的一种结合气象因素的超短期风电场功率预测方法，其特征在于：步骤一中风电功率数据预处理包括补足因上传通道或系统故障造成的功率缺失风电功率数据以及剔除和修正异常风电功率数据,删除弃风数据，补齐时若缺失3个点或3个点以内，选用持续法补齐；若缺失超出3个点，选用三次样条插值补齐；以装机容量替代大于装机容量的功率数据；以零替代小于零的功率数据。
3.根据权利要求1所述的一种结合气象因素的超短期风电场功率预测方法，其特征在于：步骤三利用训练好的预测模型进行风电功率预测，将未来0至4小时的风电场数值天气预报数据依照模型训练前输入的相关性强的气象因素，再次将相同的气象数据作为预测的输入数据，设置数据的时间步长为5min，进行预测最后输出未来4小时内风电功率的预测数据。