1.一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向预测方法，其特征在于，该预测方法具体实施步骤如下：步骤一：从风机设备中选取偏航系统中风向历史数据时间序列，按照固定时间间隔选取数据点，得到原始风向时间序列；步骤二：利用CEEMDAN方法对原始风向时间序列进行分解，得到K组本征模态分量和一组残差分量；步骤三：对步骤2中得到的K组本征模态分量和一组残差分量，合计K+1组分量数据按时刻点的前不少于70％的数据分别进行归一化处理，作为网络模型的输入；对应组分量数据的余下的数据作为训练时的参考值，得到训练数据集；归一化处理公式为：式中,s i,std 表示某一组分量数据的第i个时刻点的归一化后的数据，s i 表示该组分量数据第i个时刻点的原始数据，s min 表示该组分量数据的前不少于70％中的最小值，s max 表示该组分量数据的前不少于70％中的最大值；步骤四：设计改进的N-BEATS网络模型所述改进的N-BEATS网络模型的基本结构与典型的N-BEATS网络模型结构类似，均是由多层堆栈组成，每层堆栈由多个块组成，多个块前向预测值叠加得到一层堆栈的向前预测输出，每层堆栈的向前预测值叠加得到最终的向前预测结果；所述改进的N-BEATS网络模型的块中的FC Stack的全连接层层数设置为m，其余部分的设置与典型的N-BEATS网络模型中的相同；步骤五：利用训练数据集并结合改进的灰狼优化算法对改进的N-BEATS网络模型进行训练将改进的N-BEATS网络模型中的堆栈的数量、每层堆栈中块的数量以及每个块中FCStack部分的全连接层的层数m作为超参数带入改进的灰狼优化算法进行寻优；设置堆栈的数量、每层堆栈中块的数量、每个块中FC Stack部分的全连接层的层数的范围分别是[1,6]、[1,8]、[128,512]，将其作为初始范围带入改进灰狼优化算法，初始化种群；将训练数据集中一组分量数据中的前不少于70％的时刻点的归一化后的数据，输入到改进的N-BEATS网络模型，预测其余下的时刻点的数据，结合训练集中对应组分量数据的余下时刻点的参考值，计算个体适应度；将均方根误差作为改进的灰狼优化算法的个体适应度：式中y表示分量数据的参考值， 表示分量数据的预测值； 表示网络模型输出的预测数据， 表示将 反归一化后获得的分量数据的预测值，y min 表示网络模型输入数据中未归一化处理之前的最小值，y max 表示网络模型输入数据中未归一化处理之前的最大值；所述改进的灰狼优化算法的收敛因子a的计算公式为：式中，t max 表示迭代次数最大值，为设定值；t代表了目前的迭代次数；所述改进的灰狼优化算法采用基于停滞检测的扰动因子选择机制，将α、β和δ狼适应度值同时进行检测，若α、β和δ狼都产生停滞，设定该种群的最大停滞周期，并且，当种群产生停滞而未超过种群最大停滞时长时，加入步长较小的扰动因子；当种群产生停滞超过种群最大停滞周期，加入步长跳变较大的扰动因子，公式如下：X new 表示位置变动后的个体，X t 表示当前灰狼个体位置，ub为最大取值上界，lb为最小取值下届，N(0,1)为符合标准正态分布的随机数；μ为可调节参数，在这里μ 1 取值为较小值，取值范围为[0.01，0.05]，μ 2 的取值为较大值，取值范围为[0.1，0.5]；g表示停滞周期，Mg表示最大停滞周期；保留加入扰动因子的X new 与当前灰狼个体待更新位置 中适应度较好的作为下一代个体；公式(24)中，X t+1 为下一代种群位置，f(X)表示个体的适应度值；所述改进的灰狼优化算法采用基于影响力系数的越界重置策略，通过α、β和δ狼的适应度值计算各自的影响力系数，公式如下：上式中，I α 、I β 、I δ 分别为α、β和δ狼各自的影响力系数，f α 、f β 、f δ 分别为α、β、δ狼的个体适应度；μ为可变参数，在这里设置为较小值，取值范围为[0.01，0.05]；当迭代次数达到设定的迭代次数最大值时，输出对应的超参数取值，即改进的N-BEATS网络模型中的堆栈的数量、每层堆栈中块的数量以及每个块中FC Stack部分的全连接层的层数，得到该组分量数据训练好的改进的N-BEATS网络模型；步骤六：将训练集中的每一组分量数据分别按照步骤五中所述的方法进行处理，得到每组分量数据训练好的改进的N-BEATS网络模型；对步骤2中得到的K+1组分量数据按时刻点的后不少于70％的数据分别进行归一化处理，作为网络模型的输入，分别输入到对应组分量数据训练好的改进的N-BEATS网络模型中，分别得到每个网络模型输出的预测数据；将每个网络模型输出的预测数据进行反归一化处理，得到每组分量数据的后不多于30％的时刻点的数据的预测值；将每组分量数据的后不多于30％的时刻点的数据的预测值进行叠加，得到顺接在原始风向时间序列之后的不多于30％的时刻点的风向预测数据。
2.根据权利要求1所述的一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向预测方法，其特征在于，步骤一中的固定时间间隔为20s。
3.根据权利要求1所述的一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向预测方法，其特征在于，步骤三中，每组分量数据按时刻点的前80％的数据分别进行归一化处理。
4.根据权利要求1所述的一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向预测方法，其特征在于，步骤五中，最大停滞周期Mg设置为3。
