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，以进行融合并得到与单一气象源风速相比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；

其中，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；

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

(3)粒子群优化算法得到最小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。

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阈值；m为最大风速阈值；

所述实发风速值异常大具体为：i时刻风速大于m；

所述短期内实发风速值急剧增大或减小的点具体为：i时刻风速与i-1时刻风速的差大于ξ，并且，i+1时刻、i+2时刻、i+3时刻中，任一时刻风速与i时刻风速的差的绝对值大于ξ。

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阈值；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。