1.一种基于卷积混合密度神经网络的短期风速预测方法，其特征在于，包括以下步骤：
1)使用小波变换对原始风速数据进行分解，获得概貌信号与细节信号；
2)对每一层风速信号分别进行归一化处理；
3)将归一化后的历史风速数据送入卷积混合密度神经网络进行学习，用于预测未来时段的风速期望值与标准差；
4)对预测的风速期望与标准差进行反归一化；
5)利用反归一化的预测风速期望值与标准差求取未来时段的风速概率分布。
2.根据权利要求1所述的一种基于卷积混合密度神经网络的短期风速预测方法，其特征在于：在步骤1)中，所述小波变化是指使用daubechies母小波将风速原始数据分解成一层代表风速总体变化趋势的概貌信号，与三层代表风速随机性与间歇性的细节信号。
3.根据权利要求1所述的一种基于卷积混合密度神经网络的短期风速预测方法，其特征在于：在步骤2)中，对每一层的分解信号，使用泛化的’max-min’归一化方法分别进行归一化处理：
x'max＝xmax+0.1×|xmax|
x'min＝xmin-0.1×|xmin|
式中，x为小波分解后的每一层数据，xmax为小波分解后的每一层数据的最大值，xmin为小波分解后的每一层数据的最小值，|·|为绝对值，x′max为泛化的最大值，x′min为泛化的最小值，x′是归一化后的数值；
使用泛化的’max-min’归一化方法对每一层风速信号分别进行归一化处理的目的为防止未来数据超出现有数据的数值范围，从而减小极端风速情况下的预测误差。
4.根据权利要求1所述的一种基于卷积混合密度神经网络的短期风速预测方法，其特征在于：在步骤3)中，将归一化后的风速数据送入卷积混合密度神经网络进行学习，获得未来q小时风速期望值、标准差与过去p小时原始风速经过小波分解与归一化后数据关系的参数矩阵；其中，所述卷积混合密度神经网络具有以下特点：
a、卷积混合密度神经网络共十层，包括一个输出层、一个输入层与八个隐藏层；在隐藏层中，第一、第六、第七、第八为全连接层，第二与第四层为卷积层，第三与第五层为池化层；每一层均使用relu函数作为激活函数：
式中，a为函数的输入；
每一层在使用激活函数对神经元激活后，均对输出进行批处理，以加快神经网络的训练速度并减小模型的过拟合：
式中，n为批样本的样本数量；xb为批处理的输入，即该层激活函数的输出；yb为批处理的输出，即下一层神经元的输入；μb为批处理中样本各特征的均值，σb为批处理中样本各特征的方差，
b、在输入层中，每一个样本输入xin∈r4×p为小波分解且归一化处理后过去p小时的四层风速信号，每一个样本输出yout∈r2×q为预测的未来q小时的风速期望值与标准差；
c、输出层含有两个神经元，分别用于预测归一化的未来时段风速的期望值与标准差，预测风速期望值的神经元选用sigmoid函数作为激活函数，预测风速标准差的神经元选用变形的elu函数g(a)作为激活函数：
式中，a为函数的输入，exp(·)为指数函数；
所有输出大于0的函数都能作为预测风速标准差的神经元的激活函数，但变形的elu函数变现最好；
d、卷积混合密度神经网络的损失函数为高斯分布的概率密度函数的负对数：
式中，log(·)为对数函数，pdf为预测的概率分布函数，μ'为预测风速的期望值，σ'为预测风速的标准差，y′为归一化后的真实风速值；通过最小化损失函数，卷积混合密度神经网络对模型中的参数进行学习。
5.根据权利要求1所述的一种基于卷积混合密度神经网络的短期风速预测方法，其特征在于：在步骤4)中，使用泛化的极大极小值对预测的风速期望与标准差进行反归一化处理：
y＝y'×(z'max-z'min)+z'min
z'max＝zmax+0.1×|zmax|
z'min＝zmin-0.1×|zmin|
式中，y′为卷积混合密度神经网络的预测数值，zmax为原始风速数据的最大值，zmin为原始风速数据的最小值，|·|为绝对值，z′max为泛化的最大值，z′min为泛化的最小值，y为反归一化的预测数值。
6.根据权利要求1所述的一种基于卷积混合密度神经网络的短期风速预测方法，其特征在于：在步骤5)中，通过预测的未来时段的风速期望值与方差，构建未来风速的高斯概率分布：
p(y)～n(μ,σ2)
式中，p(y)为预测的风速概率分布，μ为反归一化的预测风速的期望值，σ为反归一化的预测风速的标准差；
选取不同的显著性水平100(1-α)％，便能够获得不同的风速预测置信区间(μ-z1-α/2σ,μ+z1-α/2σ)，从而完成未来风速预测的概率分布，其中z1-α/2为显著性水平100(1-α)％对应的标准分数。