1.一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，包括以下步骤：
(1)、从电场数据库中获取实际风速及各个气象源的NWP预测风速数据，剔除不合理的数据；按时间先后次序分成建模数据段及验证数据段；
(2)、设计神经网络结构，根据气象源的个数，设定输入层神经元个数，输出层神经元个数设定为1，隐含层的神经元个数设定初步值并根据预测结果进行调整；
(3)、利用建模数据段的数据，采用模式搜索算法，优化神经网络的权值w和b，优化目标为风速均方根误差或者绝对偏差；
(4)、利用验证数据段的数据测试模型的精度，如果精度不满足要求，则回到步骤(2)，调整神经网络的结构，重新训练网络；如果精度满足要求则得到最终的融合模型，进行风速预测。
2.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤(1)所述不合理的数据剔除方法为：按照风速数值进行判断，风速的合理范围一般为0～25m/s。
3.根据权利要求2所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤(1)所述不合理的数据剔除方法还包括：如果连续若干采样点的风速数据完全一样，则认为是风速仪出现故障或者数据采集软件故障，该数据剔除。
4.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤(2)所述隐含层神经元个数的初步值设定方法为：若有m组NWP预测风速，则神经网络隐含层神经元个数范围在1～m+1。
5.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤(3)所述采用模式搜索算法优化的方法为：首先利用梯度下降的学习算法,训练神经网络的参数w及b；然后将这组参数作为模式搜索的出发点，搜索步长在10～100中选择，以保证模式搜索算法的全局最优性；最后采用模式搜索方法，在各个参数的维度上搜索最优的神经网络参数。
6.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤(4)所述调整神经网络结构的方法为：调整隐含层神经元个数，比较相应的验证数据段的预测风速均方根误差RMSE，选择最优的神经元个数。
7.根据权利要求1所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，步骤(4)所述精度的要求为预测风速均方根误差RMSE在2.5m/s以内。
8.根据权利要求1-7任一项所述的一种基于神经网络和模式搜索优化的多气象风速融合方法，其特征在于，所述预测风速均方根误差RMSE的公式为：
其中n为验证数据段样本个数，s为实际风速，ps为预测风速。