1.一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，其特征在于，所述风电功率预测方法包括：步骤一，获取预设的时间范围内的风电场数据，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NWP风速数据；

步骤二，采集风电场历史数据，统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据；

步骤三，利用PSO算法在对粒子的迭代中，通过跟踪极值来更新数据，找到种群的最优解；利用PSO算法计算多个修正后的NWP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，建立风速与功率的回归模型。

2.如权利要求1所述的风电功率预测方法，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：对不合格的数据进行预处理；所述对不合格的数据进行预处理具体为判断所述风电场数据中所述实发风速是否存在连续多个为零的点和为负数的点；若存在，则将其中连续多个为零的点和为负数的点进行删除，并且删除相同时间点对应的实发功率和多气象源NWP风速。

3.如权利要求2所述的风电功率预测方法，其特征在于，在所述对不合格的数据进行预处理之后，所述步骤一还包括：对预处理后的所述风电场数据按时间顺序排列。

4.如权利要求1所述的风电功率预测方法，其特征在于，所述步骤二中统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据，具体为:统计全年多个气象源风速数据；V1、V2、…Vn表示不同的气象源风速，n表示有n个气象源，Vi为第i个气象源的风速，其中，1≤i≤n；Vture为实发风速；

分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况。

5.如权利要求4所述的风电功率预测方法，其特征在于，所述分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况，具体为：分别将V1、V2、…Vn对应的气象源风速每1m/s区间内的实发风速以1m/s为分辨率划分为k个区间，设每个区间的频数为fj(j＝1,2,…,k)，最大频数对应区间的风速为修正后的风速数据V′i。

6.如权利要求1所述的风电功率预测方法，其特征在于，所述步骤三中所述利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，具体步骤包括：(1)设参数α＝[α1,α2,…,αn]为对应气象源风速融合系数向量，设定参数范围，其中，n表示有n个气象源；

(2)根据PSO算法计算风速融合系数向量α，设定适应度函数：Vdiff＝|αV'Τ-Vture|＝|α1V′1+α2V′2…+αnV′n-Vture|式中，Vdiff表示偏差，Vture表示实发风速，V′i为修正后的风速数据；

(3)PSO算法通过计算得到最小Vdiff，此时对应的修正后气象源风速融合系数α为风速融合系数，融合后风速数据为Vfusion：Vfusion＝α1V′1+α2V′2…+αnV′n。

7.如权利要求1所述的风电功率预测方法，其特征在于，所述步骤四中所述建立风速与功率的回归模型，具体为：采用最小二乘算法通过所述功率最小化误差的平方和来获取风速数据与功率数据之间的最佳函数匹配，建立风速数据与功率数据的一元线性回归模型。

8.如权利要求7所述的风电功率预测方法，其特征在于，所述建立风速数据与功率数据的一元线性回归模型时，利用实发风速和实发功率之间的关系，对实发风速和实发功率使用最小二乘法拟合建模，得到一元多次方程各阶次的系数。

9.如权利要求8所述的风电功率预测方法，其特征在于，采用所述回归模型预测风速场数据时，将融合后风速数据作为预测输入，代入所述风速数据与功率数据的一元线性回归模型中计算得到预测功率。