1.一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述基于时间区间模糊算子与近似权重集成的风电功率预测方法包括以下步骤：步骤一：收集风电场运行数据，基于时间区间L建立时间区间算子，利用时间区间算子对风电场数据进行描述，计算每一个时间点前驱时间点的功率变化趋势以及时间点t的后继时间点风电功率变化趋势；具体过程为：步骤一一：每间隔Gape秒收集一个风电场的运行数据；所述Gape为收集数据间隔的秒数；所述风电场的运行数据包括：风电功率F1、风速F2、湿度F3、温度F4、气压F5、风向F6；

将收集的数据存储到数据库当中；每一个时间点对应数据库中的一条记录，对于时间点t，每条记录的字段包括：ID(t)表示精确到秒的时间信息，F1(t)表示在时间点t时的风电场的输出风电功率，F2(t)表示在时间点t时的风电场的风速，F3(t)表示在时间点t时的环境湿度，F4(t)表示在时间点t时的环境温度，F5(t)表示在时间点t时的风场的气压，F6(t)表示在时间点t时的风场的风向；

步骤一二：统计F1风电功率的均值F1μ和标准差F1σ，统计F2风速的均值F2μ和标准差F2σ，统计F3湿度的均值F3μ和标准差F3σ，统计F4温度的均值F4μ和标准差F4σ，统计F5气压的均值F5μ和标准差F5σ；

步骤一三：建立时间区间L的模糊算子Operator；具体过程为：距离时间点t为k秒的时间点其模糊隶属度描述为：

时间区域模糊算子如下：

步骤一四：对于风电场每一个时间点的数据，利用时间区间模糊算子Operator进行计算，获得区间描述字段Q1至Q5；具体过程为：对于一个时间点t其Q1至Q5的计算方式如下：

Q1:

Q2:

Q3:

Q4:

Q5:

步骤一五：计算时间点t的前驱时间点的风电功率变化趋势，获得趋势描述字段Q6，Q7和Q8；所述时间点t的前驱时间点是指时间点t之前的时间点；具体过程为：设置3个前驱时间变量分别为PR1,PR2,PR3；

Q6的计算公式为：Q6(t)＝(Q1(t)-Q1(t-PR1))Q7的计算公式为：Q7(t)＝(Q1(t)-Q1(t-PR2))Q8的计算公式为：Q8(t)＝(Q1(t)-Q1(t-PR3))；

步骤一六：计算时间点t的后继时间点风电功率变化趋势D1；所述时间点t的后继时间点是指时间点t之后的时间点；具体过程为：D1为后继AFT秒之后的风电功率变化趋势，D1的计算公式如下：D1(t)＝(Q1(t)-Q1(t+AFT))；

步骤二：对风电场数据进行分组，将所有数据分为G组，即group(1)至group(G)，每组数据对应一个中心点；

步骤三：对步骤二获得的每组数据，利用支持向量机算法进行学习，获得获得G个回归预测模型model(1)至model(G)；

步骤四：对于风电场待预测时间点tc的运行数据，构造描述矢量V，基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重；

步骤五：每一个回归预测模型输入描述矢量V，获得对应的预测结果；基于每一个中心点的近似权重，进行近似权重集成；获得风电功率预测结果。

2.根据权利要求1所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步骤二中对风电场数据进行分组，将所有数据分为G组，即group(1)至group(G)，每组数据对应一个中心点的具体过程为：G表示将风电场数据分组的个数，其默认值为16组；

步骤二一：从步骤一处理后的风电场数据中，取出其Q1至Q8字段的所有内容；

步骤二二：利用K均值算法对步骤二一取出的数据进行聚类计算，将所有数据分为G个组，即group(1)至group(G)；

步骤二三：获得G组数据的中心点矢量；

对于第group(j)组数据，其中心点矢量的计算公式如下：Center(j)＝(avg(Q1),avg(Q2),avg(Q3),avg(Q4),avg(Q5),avg(Q6),avg(Q7),avg(Q8))其中avg(Q1)为第group(j)组数据所有Q1字段的均值，avg(Q2)为第group(j)组数据所有Q2字段的均值，avg(Q3)为第group(j)组数据所有Q3段的均值，avg(Q4)为第group(j)组数据所有Q4字段的均值，avg(Q5)为第group(j)组数据所有Q5字段的均值，avg(Q6)为第group(j)组数据所有Q6字段的均值，avg(Q7)为第group(j)组数据所有Q7字段的均值，avg(Q8)为第group(j)组数据所有Q8字段的均值。

3.根据权利要求2所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步骤三中对步骤二获得的每组数据，利用支持向量机算法进行学习，获得获得G个回归预测模型model(1)至model(G)的具体过程为：步骤三一：将第group(j)组数据中所有数据转换为功率数据变化表，功率数据变化表包含以下两组数据：属性数据：对应group(j)中的Q1至Q8字段；

待预测数据：对应group(j)中的D1字段；

其中group(1)≤group(j)≤group(G)；

步骤三二：利用支持向量机算法，学习功率数据变化表，获得回归预测模型model(j)。

4.根据权利要求3所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步骤四中对于风电场待预测时间点tc的运行数据，构造描述矢量V，基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重的具体过程为：步骤四一：对当前时间点的数据，构造当前风电场的描述矢量V；

V＝(Q1(tc),Q2(tc),Q3(tc),Q4(tc),Q5(tc),Q7(tc),Q8(tc))步骤四二：计算V与每一个数据分组中心点Center(j)的距离dis(j)；

dis(j)＝|V-center(j)|

步骤四三：计算距离总和DisSum；

步骤四四：获得每一个中心点对应的近似权重wight(j)；

5.根据权利要求4所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步骤五中每一个回归预测模型输入描述矢量V，获得对应的预测结果；基于每一个中心点的近似权重，进行近似权重集成；获得风电功率预测结果的具体过程为：步骤五一：对每一个回归预测模型输入描述矢量V，获得对应的预测结果；

利用model(j)的预测功能predict进行预测其公式为：pvalue(j)＝predict(v)

其中predict(v)为利用支持向量机算法生成的模型对矢量V进行回归预测，获得预测结果；

步骤五二：基于每一个中心点的近似权重，计算近似权重集成结果；

集成结果ensemble的计算公式如下：

步骤五三：计算风电功率预测的结果；

风电功率预测结果result的计算公式如下：

result＝(ensemble+Q1(tc))×F1σ×2+F1μ。