1.一种基于ISSA-ELM的电能替代潜力预测方法，其特征在于，包括：分析电能替代潜力的影响因素并量化，输入电能替代潜力影响因素的量化值；配置麻雀搜索算法的参数，基于鸡群优化算法和柯西-高斯变异策略进行全局和局部搜索优化；麻雀搜索算负责整体的搜索过程，鸡群优化算法改进跟随者的位置更新策略，避免跟随者容易陷入局部最优，柯西-高斯变异策略对当前适应度最高的个体进行变异，增加种群的多样性，避免算法过早收敛到局部最优解；评估适应度函数获得最佳适应个体，计算极限学习机的最优权值和阈值，建立最优极限学习机预测模型并输出电能替代潜力预测结果；所述进行全局和局部搜索优化还包括基于柯西-高斯变异，对当前适应度最高的个体进行变异，比较变异前后的位置进行迭代，表示为：其中，U t best 表示变异后最优个体的位置，用于更新电能替代潜力预测模型的参数，σ²表示柯西-高斯变异的标准差，是一个控制变异程度的参数，调整σ²的值影响电能替代潜力预测模型中算法的探索范围和收敛速度，λ 1 cauchy(0，σ 2 )是满足柯西分布的随机变量，λ 2 Gauss(0，σ 2 )是满足高斯分布的随机变量，λ 1 和λ 2 是随迭代次数t调整的参数，动态调整电能替代潜力预测模型中全局优化算法的搜索能力，X代表位置，X i 是觅食者i的位置，X t best 是在t次迭代时的最优位置。
2.如权利要求1所述的基于ISSA-ELM的电能替代潜力预测方法，其特征在于：所述电能替代潜力的影响因素包括区域可再生能源容量和利用率、环境质量指数、工业和住宅区的电化率；区域可再生能源容量和利用率包括风能、太阳能、水力发电的安装容量及实际产能利用率；环境质量指数包括空气质量指数、CO 2 排放总量和人均排放量；工业和住宅区的电化率包括电取暖、电烹饪设施的覆盖率。
3.如权利要求2所述的基于ISSA-ELM的电能替代潜力预测方法，其特征在于：所述配置麻雀搜索算法的参数包括设置麻雀搜索算法最大迭代次数、种群规模、探索者和跟随者的种群比例；探索者觅食位置更新函数表示为：其中，t为总体迭代次数，t∈(1，2，…，iter max )，表示电能替代潜力预测中麻雀搜索算法的总体迭代次数，j为优化问题的维数，j∈(1，2，…，d)，代表电能替代潜力预测中影响因素的数量和种类，X t+1 i，j 中，X代表位置，整体代表觅食者i在t+1次迭代时，于j维优化问题下的位置，X i，j 代表觅食者i于j维优化问题下的位置，Q和a为随机生成的随机数，Q服从正态分布，用于模拟电能替代潜力预测中的随机性因素，L是1×d的全-1矩阵，用于对预测模型进行特定参数的初始化或调整，R 2 表示警告值，是电能替代潜力预测中种群当前状态的安全度量；当警戒值小于安全值时，表明种群处于安全搜索区域，且觅食范围较大，表示预测模型处于稳定的搜索区域，预测精度高；当警戒值大于或等于安全值时，表明种群已接近危险区域，全体种群将紧急前往其他地区觅食，表示预测模型处于不稳定或不准确的搜索区域；跟随者的位置更新函数表示为：其中，X P 表示当前探险者发现的最佳位置，即预测模型在当前迭代中发现的最佳参数配置，X worst 表示当前种群觅食的最差位置，即预测模型当前探索的最差参数配置，X t worst 表示在t次迭代时种群觅食的最差位置，X t i，j 代表觅食者i在t次迭代时，于j维优化问题下的位置，X p t+1 表示t+1次迭代时探险者发现的最佳位置，A是一个1×d矩阵，值为1或-1，用于调整预测模型中的参数或特征，当i>n/2时，表示第i个追随者没有获得食物，处于紧急状态，采取紧急措施改善预测模型的表现，包括调整参数、重新初始化模型或改变搜索策略；当危险来临时，麻雀群的危险预警机制进行更新，表示为：其中，X best 为全局最佳位置，即预测模型在所有迭代中发现的最优参数配置，对应着最高的预测精度，β和K为步长控制参数，均为随机数，β服从标准正态分布，K∈[-1，1]，参数调整影响搜索算法的收敛速度和全局最优解的探索程度，ε为常数，用于控制算法的收敛性和稳定性，f i 为第i只麻雀的适应度值，即在预测模型中根据当前参数配置计算得到的适应度分数，用于评估参数配置的优劣，f g 和f ω 为全局最佳适应度值和最差适应度值，即预测模型在当前搜索过程中的最高和最低适应度分数，用于指导搜索方向和参数更新。
4.如权利要求3所述的基于ISSA-ELM的电能替代潜力预测方法，其特征在于：所述进行全局和局部搜索优化包括通过鸡群优化算法更新跟随者位置并利用柯西-高斯变异策略对个体进行变异，更新预警机制下的探索者和跟随者的位置，不断迭代产生新的解并记录探索者位置的当前最优解和全局最优解；引入鸡群优化算法进行跟随者位置更新，鸡群优化算法策略是母鸡接近公鸡，进行局部利用和全局最优寻求，母鸡位置更新函数表示为：其中，r表示母鸡伴侣中的任意第r只公鸡，表示为电能替代潜力预测模型中，模拟算法的一种随机性选择机制，用于引入全局搜索的元素，S表示鸡群中的任意第S只公鸡或母鸡，r不等于S，f i 表示觅食者i在鸡群优化算法中的随机性选择机制，f r 表示第r只公鸡的随机性选择机制。
5.如权利要求4所述的基于ISSA-ELM的电能替代潜力预测方法，其特征在于：所述获得最佳适应个体包括评估适应度函数以获得最佳适应个体，采用K折交叉验证优化模型参数，选取预测模型的均方误差MSE作为适应度函数，MSE的函数表示为：其中，y i 为电能替代潜力预测值， 为电能替代潜力真实值，n为电能替代潜力预测的样本数。
6.如权利要求5所述的基于ISSA-ELM的电能替代潜力预测方法，其特征在于：所述输出电能替代潜力预测结果包括不断迭代获取极限学习机的最优权值和阈值，迭代停止条件包括迭代次数达到设定标准、模型误差达到预期水平；当迭代满足停止条件时，输出极限学习机的最优初始权值和阈值，获得最佳的适应度函数值和最佳的参数，即极限学习机的最佳输入权重及阈值，基于改进的最优输入权值及阈值建立最优极限学习机预测模型，并输出地区电能替代潜力预测结果。
7.一种采用如权利要求1~6任一所述的基于ISSA-ELM的电能替代潜力预测方法的系统，其特征在于：包括因素量化模块，优化算法模块，预测模块；所述因素量化模块用于分析电能替代潜力的影响因素并量化，输入电能替代潜力影响因素的量化值；所述优化算法模块用于配置麻雀搜索算法的参数，基于鸡群优化算法和柯西-高斯变异策略进行全局和局部搜索优化；所述预测模块用于评估适应度函数获得最佳适应个体，计算极限学习机的最优权值和阈值，建立最优极限学习机预测模型并输出电能替代潜力预测结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的基于ISSA-ELM的电能替代潜力预测方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于ISSA-ELM的电能替代潜力预测方法的步骤。
