1.一种风电场风速预测系统，其特征在于，所述系统包括：

时间序列预测模块，用于根据时间模型生成风速预测模型，并将初始风速集合作为输入数据，采用所述风速预测模型对风速进行集合预测，得到风速预测数据集合；

初始风速集合生成模块，对输入的风速数据进行处理，生成所述初始风速集合；

集合卡尔曼滤波更新模块，集合卡尔曼滤波算法对所述初始风速集合以及风速预测数据集合进行更新优化，得到最终预测数据。

2.根据权利要求1所述的风电场风速预测系统，其特征在于，所述时间序列预测模块采用如下公式生成风速预测模型：

其中，xt是t时刻的初始风速数据，是自回归参数，p是自回归阶数，θj是移动平均参数，q是移动平均阶数，et-j为移动平均误差，εt是随机误差；

所述时间序列预测模块根据t时刻之前的风速数据，选择矩估计对模型参数θj进行估计，生成风速预测方程。

3.根据权利要求2所述的风电场风速预测系统，其特征在于，所述初始风速集合生成模块还用于生成为高斯白噪声的随机误差的集合，将所述随机误差施加给所述初始风速数据、自回归参数和移动平均参数，得到初始风速集合。

4.根据权利要求2所述的风电场风速预测系统，其特征在于，所述集合卡尔曼滤波更新模块进一步用于：

将所述初始风速集合和所述风速预测数据集合写入同一集合中，并由所述风速预测方程得到集合卡尔曼滤波的状态方程；

将风速预测数据集合中的每个元素的平均值作为观测值，对观测数据施加高斯白噪声，得到独立观测的数据集合；

更新所述独立观测的数据集合中的每一个集合成员，得到分析值的集合；

对所述分析值的集合中的成员取均值，得到最终预测数据。

5.根据权利要求4所述的风电场风速预测系统，其特征在于，所述更新独立观测的数据集合中的每一个集合成员的步骤中，采用如下计算公式得到分析值的集合：${\Phi }_{t,i}^a={\Phi }_{t,i}^f+K_t({\mathrm{obs}}_{t,i}-H{\Phi }_{t,i}^f)$其中，为t时刻集合中第i个元素的更新值；为t时刻集合中第i个元素的预测值，Kt为卡尔曼增益矩阵，obsi为独立观测的数据集合，H为观测矩阵；

所述卡尔曼增益矩阵Kt的计算公式为：

$K_t={P_t}^f{H}^T{[{{\mathrm{HP}}_t}^f{H}^T+R_t]}^{-1}$其中，Rt是观测值误差的协方差，为所述数据集合的协方差，计算公式为：$P_t^f=\frac{1}{\mathrm{Ne}-1}\underset{i=1}{\overset{\mathrm{Ne}}{\Sigma }}[{\Phi }_{t,i}^f-{\bar{\Phi }}_t^f]{[{\Phi }_{t,i}^f-{\bar{\Phi }}_t^f]}^T;$所述独立观测的数据集合obsi的计算公式为：

${\mathrm{obs}}_i=H\left(\frac{1}{N_e}\underset{i=1}{\overset{N_e}{\Sigma }}{\Phi }_{t,i}\right)+{\omega }_i,i=\mathrm{1,2},···,\mathrm{Ne}$其中，obsi为独立观测的数据集合，H为观测矩阵，ωi为随机误差，Ne为集合元素的数量。

6.一种风电场风速预测方法，包括以下步骤：

根据时间模型生成风速预测模型；

对输入的风速数据进行处理，生成初始风速集合；

根据所述初始风速集合，采用所述风速预测模型对风速进行集合预测，得到风速预测数据集合；

集合卡尔曼滤波算法对所述初始风速集合以及风速预测数据集合进行更新优化，得到最终预测数据。

7.根据权利要求6所述的风电场风速预测方法，其特征在于，所述生成风速预测模型的步骤中，采用如下公式生成风速预测模型：

其中，xt是t时刻的初始风速数据，是自回归参数，p是自回归阶数，θj是移动平均参数，q是移动平均阶数，et-j为移动平均误差，εt是随机误差；

所述生成风速预测模型的步骤还包括：根据t时刻之前的风速数据，选择矩估计对模型参数θj进行估计，生成风速预测方程。

8.根据权利要求7所述的风电场风速预测方法，其特征在于，所述生成初始风速集合的步骤是：生成为高斯白噪声的随机误差的集合，将所述随机误差施加给所述初始风速数据、自回归参数和移动平均参数，得到初始风速集合。

9.根据权利要求7所述的风电场风速预测方法，其特征在于，所述集合卡尔曼滤波算法对初始风速集合以及风速预测数据集合进行更新优化的步骤是：将所述初始风速集合和所述风速预测数据集合写入同一集合中，并由所述风速预测方程得到集合卡尔曼滤波的状态方程；

将风速预测数据集合中的每个元素的平均值作为观测值，对观测数据施加高斯白噪声，得到独立观测的数据集合；

更新所述独立观测的数据集合中的每一个集合成员，得到分析值的集合；

对所述分析值的集合中的成员取均值，得到最终预测数据。

10.根据权利要求9所述的风电场风速预测方法，其特征在于，所述更新独立观测的集合中的每一个集合成员的步骤中，采用如下计算公式得到分析值的集合：${\Phi }_{t,i}^a={\Phi }_{t,i}^f+K_t({\mathrm{obs}}_{t,i}-H{\Phi }_{t,i}^f)$其中，为t时刻集合中第i个元素的更新值；为t时刻集合中第i个元素的预测值，Kt为卡尔曼增益矩阵，obsi为独立观测的数据集合，H为观测矩阵；

所述卡尔曼增益矩阵Kt的计算公式为：

$K_t={P_t}^f{H}^T{[{{\mathrm{HP}}_t}^f{H}^T+R_t]}^{-1}$其中，Rt是观测值误差的协方差，为所述数据集合的协方差，计算公式为：$P_t^f=\frac{1}{\mathrm{Ne}-1}\underset{i=1}{\overset{\mathrm{Ne}}{\Sigma }}[{\Phi }_{t,i}^f-{\bar{\Phi }}_t^f]{[{\Phi }_{t,i}^f-{\bar{\Phi }}_t^f]}^T;$所述独立观测的数据集合obsi的计算公式为：

${\mathrm{obs}}_i=H\left(\frac{1}{N_e}\underset{i=1}{\overset{N_e}{\Sigma }}{\Phi }_{t,i}\right)+{\omega }_i,i=\mathrm{1,2},···,\mathrm{Ne}$其中，obsi为独立观测的数据集合，H为观测矩阵，ωi为随机误差，Ne为集合元素的数量。