1.一种风电场风速时间序列预测方法，其特征是，包括：利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；

信息粒构造：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；

基于相邻信息粒之间的转移关系，构建有向加权网络，包括：将信息粒与信息粒之间的转移对应到类与类之间的转移；类与类之间的转移次数即节点与节点之间的转移次数，节点与节点之间的转移次数作为两个节点之间连线的权重，从而构建有向加权网络；

利用基于距离的节点亲密度社团发现算法对有向加权网络进行社团划分，得到若干个社团，具体步骤包括：

S301：根据有向加权网络的邻接矩阵A和节点亲密度计算公式Iij得到网络的亲密度关系矩阵I，节点亲密度计算公式为：其中，Dij＝1‑dij，dij为节点i和节点j之间的最短距离，最短距离根据迪杰斯特拉算法计算得到；Iij为节点i和节点j之间的亲密度；wij为节点i到节点j的权重；wji为节点j到节点i的权重；Dij指节点i、j之间的距离； 指节点i所发出的所有边的权重集合； 指进入节点j的所有边的权重集合； 指节点j所发出的所有边的权重集合； 指进入节点i的所有边的权重集合；Wi指节点i的总权值；

S302：从第一个节点开始，依次找与其具有最大亲密度的节点，将该节点与其具有最大的亲密度的节点放入同一社团中，共得到n个社团；

S303：依次计算n个社团中任意两个社团间的亲密度，当任意两个社团间的亲密度时，合并两个社团；其中，0

*

S304：社团合并过程中，计算模块度Q ，并记录合并过程中出现的最大模块度与出现的最大模块度时所对应的社团划分状态；

S305：重复S303和S304，直到所有社团间的亲密度 得到若干个社团；

利用马尔科夫预测模型对社团之间的转移情况进行分析，输出最终的风速时间序列的预测结果。

2.如权利要求1所述的方法，其特征是，所述信息粒构造的具体步骤包括：S201：设定滑动时间窗口长度为ω，即滑动时间窗口包含数据点的数目，同时设定滑动时间窗口每次向后滑动的数据个数m；从风速时间序列第一个数据开始取ω个连续数据作为第一个时间窗口，然后向后移动m个数据，再取ω个连续数据作为第二个时间窗口，依次类推，直到风速时间序列中的数据全部取完；

S202：建立各时间序列窗口的二次拟合方程；

第i个时间窗口的二次拟合方程表示为：i 2

Pt＝ait+bit+ci；

其中，t表示时间，ai、bi和ci是二次拟合方程中第i个时间窗口的三个参数， 表示第i个时间窗口在t时刻的数值；

然后，得到每个时间窗口中三个参数的集合{[a1,b1,c1],[a2,b2,c2],...,[am,bm,cm]}，每个集合代表不同的信息粒；

S203：对所有时间窗口的参数集合进行FCM聚类，将每一个类作为一个节点。

3.如权利要求1所述的方法，其特征是，S303中，任意两个社团间的亲密度的计算公式为：其中， 表示社团Ci与社团Cj间的亲密度表示社团Ci中所有节点的权重之和，即S304中，模块度的计算公式为：其中，A代表有向加权网络的邻接矩阵，Aij＝wij， Ci和Cj分别为节点i和节点j所属的社团， W为整个网络的总权值；当节点i和节点j属于同一社团时，δ(Ci,Cj)＝1，否则，其值为0；N为社团的个数；Aij为网络邻接矩阵中节点i、j间的权重； 为节点i的入向权重； 为节点j的出向权重。

4.如权利要求1所述的方法，其特征是，利用马尔科夫预测模型对社团之间的转移情况进行分析，输出最终的风速时间序列的预测结果,具体步骤包括：S501：假设将风速时间序列分成N个社团，令状态集为E＝{E1，E2，E3，…，EN}；

S502：利用公式 计算各状态不同步长的转移频率，从而得到状态转移概率矩阵，其中ni为落在状态Ei的序列个数，而 表示上一时刻序列落在Ei，而下k个时刻序列落在Ej的序列的总数；

S503：根据状态转移概率矩阵检验序列的马氏性，若 就认为序列具有马氏性，则继续利用马尔科夫模型对序列进行后续分析，否则该序列不可作为马尔科夫链来处理；

S504：计算各阶自相关系数r，对各阶自相关系数规范化作为权重ω，给定序列初始状态，结合每个状态相应的状态转移概率矩阵来计算下一时刻所处的社团状态的概率Pi'；

S505：则依据Pi'大小判断下一时刻序列的状态Ej，将最大概率值所对应的状态作为下一时刻序列的状态，即：

Pmax＝max(Pi')  (10)。

5.一种风电场风速时间序列预测系统，其特征是，包括：风速时间序列获取模块，其被配置为：利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；

信息粒构造模块，其被配置为：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；

社团划分模块，其被配置为：基于相邻信息粒之间的转移关系，构建有向加权网络,包括：将信息粒与信息粒之间的转移对应到类与类之间的转移；类与类之间的转移次数即节点与节点之间的转移次数，节点与节点之间的转移次数作为两个节点之间连线的权重，从而构建有向加权网络；利用基于距离的节点亲密度社团发现算法对有向加权网络进行社团划分，得到若干个社团，具体步骤包括：S301：根据有向加权网络的邻接矩阵A和节点亲密度计算公式Iij得到网络的亲密度关系矩阵I，节点亲密度计算公式为：其中，Dij＝1‑dij，dij为节点i和节点j之间的最短距离，最短距离根据迪杰斯特拉算法计算得到；Iij为节点i和节点j之间的亲密度；wij为节点i到节点j的权重；wji为节点j到节点i的权重；Dij指节点i、j之间的距离； 指节点i所发出的所有边的权重集合； 指进入节点j的所有边的权重集合； 指节点j所发出的所有边的权重集合； 指进入节点i的所有边的权重集合；Wi指节点i的总权值；

S302：从第一个节点开始，依次找与其具有最大亲密度的节点，将该节点与其具有最大的亲密度的节点放入同一社团中，共得到n个社团；

S303：依次计算n个社团中任意两个社团间的亲密度，当任意两个社团间的亲密度时，合并两个社团；其中，0

*

S304：社团合并过程中，计算模块度Q ，并记录合并过程中出现的最大模块度与出现的最大模块度时所对应的社团划分状态；

S305：重复S303和S304，直到所有社团间的亲密度 得到若干个社团；

风速时间序列预测模块，其被配置为：利用马尔科夫预测模型对社团彼此之间的转移情况进行分析，输出最终的风速时间序列的预测结果。

6.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑4任一项所述的方法的步骤。

7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑4任一项所述的方法的步骤。