1.一种基于变分推断的风电机组调节速率预测方法，其特征在于，包括：获取风电机组有功功率数据，使用经验模态分解对有功功率数据进行平滑处理；将平滑处理后的数据输入至训练好的调节速率预测模型，输出风电机组调节速率预测值；所述调节速率预测模型首先对输入数据进行特征提取，得到特征提取后的均值和方差向量，对满足该均值和方差的高斯分布进行采样，得到对应的隐变量，让隐变量经过一个由多层神经网络组成的回归网络，最终输出风机调节速率预测值；输入因素的不确定性意味着样本集合{(y i ,x i )}，i＝1,2,3,...,N'生成过程的不确定性；其中:N'表示样本数量；y i 表示第i个样本的调节速率；x i 表示单个输入变量， d表示特征维度的数量，分布p(y|x)的形式是未知的；需要引入另一个分布q θ (y)实现对p(y|x)的近似，θ是待优化的变分参数；表示以g θ (x) μ 为均值、 为协方差矩阵的多元高斯分布；其中： 是对角线矩阵，对角线上的元素为 g θ (x)起到了特征提取输入变量维度的作用，其可由一个多层前馈网络来完成；整个风机调节速率的测模型由三个部分组成：(1)输入x经过特征提取网络g θ (x)得到了特征提取后的均值μ和方差σ向量；(2)通过对满足该均值和方差的高斯分布进行采样，可以得到对应的隐变量z；(3)让隐变量z经过一个由多层前馈网络组成的回归网络f δ (z)，最终输出风机调节速率预测值y；回归网络f δ (z)为2层前馈网络；参数θ和δ是整个过程需要优化的参数；一个多层前馈网络的每层之间都使用了修正线性单元激活函数RELU，表达式如下：使用蒙特卡洛作为优化对象，形式为：目标函数的 这一项表示给定隐变量z后数据的似然；D KL (q(z|x)||p(z))这一项表示q(z|x)与先验分布p(z)之间的KL散度；z是隐变量；根据D KL 的定义，得到：代入式(7)，可以得到目标的形式为：使用蒙特卡洛近似，即：其中L表示采样的个数，q(z|x)是给定输入x后，隐变量z的后验分布，p(z)表示隐变量z的先验分布，通常设定为标准正态分布N(0,1)；z j 表示L个样本中的第j个样本；x是模型的输入变量，隐变量z为经过特征提取网络后的采样样本；先从N(0,1)采样得到一个ε，然后使z＝μ+δ⊙ε，其中：⊙表示对应元素相乘。
2.如权利要求1所述的一种基于变分推断的风电机组调节速率预测方法，其特征在于，包括：以证据下确界作为优化目标函数，对调节速率预测模型的参数进行优化。
3.如权利要求2所述的一种基于变分推断的风电机组调节速率预测方法，其特征在于，包括：优化目标函数的第一项表示给定隐变量后数据的似然；第二项表示隐变量z后验分布q(z|x)与隐变量z先验分布p(z)之间的KL散度；使用蒙特卡洛对所述第一项和第二项进行近似；x是模型的输入变量。
4.如权利要求3所述的一种基于变分推断的风电机组调节速率预测方法，其特征在于，所述隐变量通过采样重参数化的方法实现采样，以完成优化目标函数的梯度下降优化过程。
5.如权利要求1所述的一种基于变分推断的风电机组调节速率预测方法，其特征在于，所述对输入数据处理得到特征提取后的均值和方差向量，包括：输入x经过g θ (x)得到了特征提取后隐变量z的均值和方差向量；g θ (x)由一个多层前馈网络来完成。
6.如权利要求5所述的一种基于变分推断的风电机组调节速率预测方法，其特征在于，所述多层前馈网络的每层之间都使用了修正线性单元激活函数。
7.如权利要求1所述的一种基于变分推断的风电机组调节速率预测方法，其特征在于，经过采样得到的隐变量z作为输入，进入一个回归网络f δ (z)后得到了整个调节速率预测模型的输出结果；所述回归网络为2层前馈网络。
8.一种使用了权利要求1所述基于变分推断的风电机组调节速率预测方法的系统，其特征在于，包括：数据处理模块，用于获取风电机组有功功率数据，使用经验模态分解对有功功率数据进行平滑处理；预测模块，用于将平滑处理后的数据输入至训练好的调节速率预测模型，输出风电机组调节速率预测值；所述调节速率预测模型首先对输入数据进行特征提取，得到特征提取后的均值和方差向量，通过对满足该均值和方差的高斯分布进行采样，得到对应的隐变量，让隐变量经过一个由多层神经网络组成的回归网络，最终输出风机调节速率预测值。
9.一种终端设备，包括处理器和存储器，其特征在于，处理器用于实现各指令；存储器用于存储多条指令；所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于变分推断的风电机组调节速率预测方法。
10.一种计算机可读存储介质，存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于变分推断的风电机组调节速率预测方法。
