1.一种用于风电机组零部件的需求预测方法，其特征在于：所述需求预测方法采用BP神经网络预测模型，所述BP神经网络预测模型对某一种风电机组零部件设备的预期失效并替换的数量进行预测，所述BP神经网络预测模型通过给定的输入量和输出量训练出能够表达它们之间内在关系的网络，得到一个能够反映出各种影响因素与设备故障之间数量关系的函数，并运用现有的数据预测结果，达到准确预测需求的目标。
2.根据权利要求1所述的一种用于风电机组零部件的需求预测方法，其特征在于：建立所述BP神经网络预测模型的具体步骤为：
（1）首先将作为评价指标的影响因素无量纲化，并拟定四个影响因素，所述影响因素具体包括半年内设备随时间变化而磨损的数量、半年内的发电量、半年内超过极限温度的天数和半年内超过极限风速的次数；
（2）除了影响因素，还需要对目标量进行归一，所述目标量就是实际运行时半年内需要更换的零部件数量，提供各所述影响因素及目标量的初始数据，指标归一化后代入BP网络中开始训练，输入向量对应指标，并按照相应训练步骤进行BP网络训练；
（3）最后进行网络的检验和预测，BP神经网络预测模型训练完成后再将几组输入向量递送至网络，运行后比较误差以对网络进行检验，检验合格后利用现有的待预测数据预测未来运行周期内零部件的需求情况。
3.根据权利要求1或2所述的一种用于风电机组零部件的需求预测方法，其特征在于：所述需求预测方法将零部件需求预测的不确定性和经验判断通过数学模型转化为具有指导意义和可重复的系统库存管理方法，利用所述BP神经网络预测模型研究输入量和输出量之间的关系，以内因为主外因为辅的原则构造神经网络，让网络自行学习训练出符合的内部函数以匹配给定值。
4.根据权利要求1或2所述的一种用于风电机组零部件的需求预测方法，其特征在于：所述BP神经网络预测模型在内部根据初始数据的属性自行确定所需参数，只需将所有数据全部输入至网络即可得到训练模型，所述BP神经网络预测模型能够对现有的影响因素进行删减和改动。