1.一种基于混合深度学习机制的风速预测方法，其特征在于，包括如下步骤：
步骤s1：收集历史风力数据进行预处理；
步骤s2：经过预处理的历史风力数据输入至混合深度学习机制进行训练；
步骤s3：将训练完成的预测模型进行风速预测。
2.根据权利要求1所述的基于混合深度学习机制的风速预测方法，其特征在于，所述步骤s1中利用归一化方法对历史风力数据进行预处理，获得待输入的风速及风速变化量。
3.根据权利要求1所述的基于混合深度学习机制的风速预测方法，其特征在于，所述步骤s2中的混合深度学习机制包括长短期记忆神经网络与门控循环单元神经网络，所述长短期记忆深度学习神经网络适应长期时间序列的风力数据预测，所述门控循环单元深度学习神经网络适应短期时间序列的风力数据预测。
4.根据权利要求3所述的基于混合深度学习机制的风速预测方法，其特征在于，所述步骤s2包括如下步骤：
步骤s2.1：将预处理后的历史风力数据输入门控循环单元神经网络；
步骤s2.2：将门控循环单元神经网络的每个时间步长的隐藏状态作为一个时间序列；
步骤s2.3：将每个时间步长的隐藏状态输入长短期记忆神经网络；
步骤s2.4：长短期记忆神经网络将最后一个时间步长的隐藏状态传递至输出层，输出预测结果。
5.一种基于混合深度学习机制的风速预测系统，其特征在于，包括：
模块m1：收集历史风力数据进行预处理；
模块m2：经过预处理的历史风力数据输入至混合深度学习机制进行训练；
模块m3：将训练完成的预测模型进行风速预测。
6.根据权利要求5所述的基于深度学习机制的风速预测系统，其特征在于，所述混合深度学习机制包括长短期记忆神经网络结构和门控循环单元神经网络结构，经过预处理的历史风力数据由所述门控循环单元神经网络结构训练之后，再由所述长短期记忆神经网络结构训练。
7.根据权利要求5所述的基于深度学习机制的风速预测系统，其特征在于，所述门控循环单元神经网络结构包括重置门与更新门，仅当需要过去信息，更新隐藏状态时重置门打开，其他时间重置门关闭；当更新门关闭时，完成隐藏状态的更新，当更新门打开时，隐藏状态不更新。
8.根据权利要求5所述的基于深度学习机制的风速预测系统，其特征在于，所述长短期记忆神经网络结构包括遗忘门，仅当需要保存过去信息时，遗忘门开启，否则处于关闭状态。
9.根据权利要求6所述的基于深度学习机制的风速预测系统，其特征在于，所述长短期记忆神经网络结构还包括输入门和输出门，基本结构式为：
其中，i(t)表示输入门，f(t)表示遗忘门，o(t)表示输出门，w表示各类门结构接收输入值，u表示各类门结构隐藏状态，v表示各类门结构细胞状态时的权重矩阵，b表示偏置，σ代表各类门结构的激励函数，g(t)代表激活函数，x(t)为第t个时间步长的输入，h(t)为时刻t的隐藏状态，表征短期记忆，c(t)为时刻t的细胞状态，表征长期记忆。
10.一种基于混合深度学习机制的风速预测设备，其特征在于，包含权利要求5至9中任一项所述的基于混合深度学习机制的风速预测系统。