1.一种基于粒子群优化算法风速融合的风电功率预测的方法，其特征在于，所述方法包括：步骤一，获取预设的时间范围内历史的风电场数据，得到训练集X和预测集Y；对所述风电场数据进行预处理；其中，所述风电场数据包括风电场实发风速、实发功率和多气象源风速数据；

步骤二，利用灰色关联分析选择气象源，将选择的气象源风速作为预测风电功率的风速数据；

步骤三，利用粒子群优化算法计算风速融合系数，以进行融合并得到较优的融合后风速数据，并采用所述融合后风速数据作为预测模型的输入；

步骤四，对训练集X中风速数据分段；

步骤五，建立风速与功率的回归模型。

2.如权利要求1所述的方法，其特征在于，所述步骤一中所述对所述风电场数据进行预处理，具体为：剔除训练集X中实发功率和实发风速出现的非法数据；和，剔除训练集X中的不匹配点。

3.如权利要求2所述的方法，其特征在于，所述剔除训练集X中实发功率和实发风速出现的非法数据，具体为：判断训练集X中实发风速中是否存在的突变点，所述突变点包括实发风速值异常大，短期内实发风速值急剧增大或减小的点；若是，则对突变点平滑处理，所述对突变点平滑处理采用公式(1)消除实发风速的突变点；

其中，Vi为i时刻风速，Vi-1为i-1时刻风速，Vi+1为i+1时刻风速，Vi+2为i+2时刻风速，Vi+3为i+3时刻风速；ξ为相隔采样点风速变化的阀值；m为最大风速阀值。

4.如权利要求2所述的方法，其特征在于，所述剔除训练集X中的不匹配点，具体为：判断训练集X中是否存在风速与功率变化方向相反的数据，所述风速与功率变化方向相反的数据包括风速大、功率小的数据，以及风速小、功率大的数据；若存在，则采用不匹配点剔除方法来剔除不匹配点，所述不匹配点剔除方法包括：步骤(1)数据标准化处理：

其中，Dmax为历史建模数据中的最大值；Dmin为历史建模数据中的最小值；D为实际值；D*为标准化处理后的值；

对历史建模数据中的实发功率、实发风速进行标准化处理，区间为[0,1]；

步骤(2)不匹配点剔除：

其中，Pi为i时刻实发功率；Pi*为i时刻实发功率标准化处理后的值；Vi*为i时刻实发风速标准化处理后的值；s为标准化功率与风速差距阀值，s可取但不限于0.3；在不匹配点实发功率上标记不匹配标记，删除处理实发功率带不匹配标记的那组数据。

5.如权利要求1所述的方法，其特征在于，所述步骤二中所述利用灰色关联分析选择气象源，具体为：采用灰色关联分析评估多气象源风速中每个气象源风速与实发风速的关联性，比较不同气象源风速与实发风速的关联度，选择关联度较大的多个气象源。

6.如权利要求5所述的方法，其特征在于，所述采用灰色关联分析评估多气象源风速中每个气象源风速与实发风速的关联性，具体包括：(1)选择实发风速为母序列Vo，不同气象源风速为子序列Vi，Vi为第i个气象源的风速；

(2)对各序列参数归一化处理；

(3)计算每个子序列中各参数与母序列对应参数的关联系数

其中，Kij为第i个子序列的第j个参数与母序列的第j个参数的关联系数；ρ为分辨系数，取值范围在[0,1]；

(4)计算关联度，计算公式如下：

其中，γi为第i个子序列与实发风速的关联度；N为子序列长度；Kij为计算得到的关联系数。

7.如权利要求1所述的方法，其特征在于，所述步骤三中所述利用粒子群优化算法计算风速融合系数，以进行融合并得到较优的融合后风速数据，具体为：根据神经网络建模要求输入矩阵为V＝[V1,V2,…,Vn]，目标矩阵为P，其中式中，V1,V2,…,Vn表示不同的气象源风速；n表示选择的有n个气象源风速；P表示预测集目标矩阵；输入V与输出P行数相同。

8.如权利要求1所述的方法，其特征在于，所述步骤三中所述利用粒子群优化算法计算风速融合系数，以进行融合并得到较优的融合后风速数据，具体为：(1)融合风速Vf＝ω1V1+ω2V2+…+ωnVn，参数ω＝[ω1,ω2,…,ωn]为对应气象源风速V融合系数向量，设定参数范围为[0,1]；

(2)根据粒子群优化算法计算风速融合系数向量ω，设定适应度函数Τ

Vdiff＝|ωV -Vture|＝|ω1V1+ω2V2…+ωnVn-Vture|式中，Vdiff表示偏差；Vture表示实发风速；

(3)粒子群算法得到最小Vdiff，此时对应的气象源风速融合系数向量ω为风速融合系数；

(4)使用气象源风速融合系数向量ω融合预测集Y中的各气象源天气预报风速，得到测试风速。

9.如权利要求1所述的方法，其特征在于，所述步骤四中所述对训练集X中风速数据分段，具体为：(1)划分风速区间

假设风速与功率近似满足风机功率曲线，对风速按照一定间隔g划分区间；得到划分区间的数量为l＝vmax/g，其中vmax为建模风速的最大值；

(2)对l个区间内的功率数据设定置信度剔除小概率数据，计算并记录每个区间功率的平均值(3)功率的平均值 组成向量，并随区间内风速值变大而近似符合风机功率曲线分布，对功率的平均值 所组成向量滤波使之变得平滑，平滑后的数据会出现极值点，该点所在区间lmax，极值点对应风速v'max＝glmax；

(4)训练集X中风速最大为vmax，限定区间(c1vmax,c2vmax)，其中0＜c1＜1，0＜c2＜1，且c1＜c2；若极值点v'max出现在限定区间内，则极值点v'max为分段点；若极值点vmax未出现在限定区间，或无极值点时，默认分段点为c3vmax，其中0＜c3＜1，且c1≤c3≤c2；所述分段点满足

其中，vs为分段点。

10.如权利要求9所述的方法，其特征在于，所述步骤五中建立风速与功率的回归模型，具体为：采用BP神经网络建模，所述采用BP神经网络建模包括：(1)训练集X被风速分段点vs分为X1和X2两部分，X1中风速范围为(0,vs)，X2中风速范围为[vs,vmax]；设定风速间隔的取值，并对X1和X2按照风速间隔划分区间，剔除X2末端区间内数据量较少的区间，设定区间阀值，并对功率设定置信区间；

(2)使用BP神经网络分别建立X1和X2中风速与功率关系模型，风速作为训练的输入，对应的功率作为训练的目标，分别得到模型N1和N2；

(3)预测集Y中风速输入模型，当风速小于vs时使用模型N1进行预测，当风速大于vs时使用模型N2进行预测，得到预测结果。