1.一种基于风电预测功率的储能跟踪风电出力计划方法，其特征在于，包括以下步骤：
读取风电场和储能系统的相关数据，包括：风电场的风电功率实际值、短期风电功率预测值、超短期风电功率预测值以及储能系统的荷电状态值；
建立包含充放电控制系数的储能系统充放电控制策略；
基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数；
通过粒子群优化算法确定充放电控制系数；
根据充放电控制系数确定储能系统充放电功率。
2.如权利要求1所述的方法，其特征在于，
所述充放电控制系数包括：
荷电状态控制系数a、b，风电状态控制系数c以及充放电功率调整系数d、e；
所述储能系统的充放电控制策略包括：
将荷电状态值划分为表示各种荷电状态的区间；
将风电功率实际值划分为各种风电状态；
确定储能系统充放电功率；
根据储能系统最大充放电功率以及剩余容量允许的充放电功率，对所述储能系统充放电功率进行实时调整。
3.如权利要求2所述的方法，其特征在于，将所述荷电状态值划分为表示各种荷电状态的区间包括：
在0至1之间共建立4个节点，包括荷电状态控制系数a、b，储能系统正常运行时荷电状态下限值SSOC-low和上限值SSOC-high，且满足0≤SSOC-low≤a≤b≤SSOC-high≤1，所述荷电状态下限值SSOC-low和上限值SSOC-high由储能系统本身性能所确定；
根据所述4个节点在0至1之间将荷电状态值划分为5个区间：
SOC过小区间：0≤SSOC(t)＜SSOC-low；
SOC较小区间：SSOC-low≤SSOC(t)＜a；
SOC适宜区间：a≤SSOC(t)＜b
SOC较大区间：b≤SSOC(t)≤SSOC-high；和
SOC过大区间：SSOC-high＜SSOC(t)≤1；
若a＝SSOC-low或b＝SSOC-high，则将荷电状态值划分为4个区间，包括：SOC过小区间、SOC适宜区间和SOC过大区间，以及SOC较小区间或SOC较大区间；若a＝SSOC-low且b＝SSOC-high，则将荷电状态值划分为3个区间，包括：SOC过小区间、SOC适宜区间和SOC过大区间。
4.如权利要求3所述的方法，其特征在于，将所述风电功率实际值划分为各种风电状态包括：
“风电状态A”：风电功率实际值低于短期风电功率预测下限值的状态；
“风电状态B”：风电功率实际值介于短期风电功率预测上限值与控制功率值之间的状态；
“风电状态C”：风电功率实际值介于控制功率值与短期风电功率预测上限值之间的状态；
“风电状态D”：风电功率实际值高于短期风电功率预测上限值的状态；
所述短期风电功率预测上限值、短期风电功率预测上限值和控制功率值通过下式求得：
Pf_max(t)＝Pf(t)+Plimit
Pf_min(t)＝Pf(t)-plimit
Pf_adj(t)＝Pf_min(t)+c[Pf_max(t)-Pf_min(t)]
式中，Pf_max(t)为t时刻短期风电功率预测上限值，Pf_min(t)为t时刻短期风电功率预测下限值，Pf_adj(t)为t时刻介于Pf_min(t)、Pf_max(t)之间的控制功率值，Pf(t)为t时刻短期风电功率预测值，Plimit为风电功率波动限值，Plimit＝ε允许Cap，ε允许为日预测误差允许的百分值，Cap为风电场的装机容量，c为0至1之间的风电状态控制系数。
5.如权利要求4所述的方法，其特征在于，确定所述储能系统充放电功率包括：
当风电功率实际值处于“风电状态A”时的储能系统充放电功率为：
A1)若当前储能系统的荷电状态值处于SOC过小区间，储能系统不工作，则储能系统充放电功率为O；
A2)若当前储能系统的荷电状态值处于SOC较小区间或SOC适宜区间，则储能系统充放电功率为Pf_nun(t)-Pw(t)；
A3)若当前储能系统的荷电状态值处于SOC较大区间，则储能系统充放电功率为Pf_min(t)-Pw(t)+d(Pf_max(t)-Pf_min(t))，d为0至1之间的充放电功率调整系数；
A4)若当前储能系统的荷电状态值处于SOC过大区间，则储能系统充放电功率为Pf_max(t)-Pw(t)；
当风电功率实际值处于“风电状态B”时的储能系统充放电功率为：
B1)若当前储能系统的荷电状态值处于SOC过小区间或SOC较小区间，则储能系统充放电功率为-(Pw(t)-Pf_min(t))；
B2)若当前储能系统的荷电状态值处于SOC适宜区间，储能系统不工作，则储能系统充放电功率为0；
B3)若当前储能系统的荷电状态值处于SOC较大区间，则储能系统充放电功率为Pf_adj(t)-Pw(t)；
B4)若当前储能系统的荷电状态值处于SOC过大区间，则储能系统充放电功率为Pf_max(t)-Pw(t)；
当风电功率实际值处于“风电状态C”时的储能系统充放电功率为：
C1)若当前储能系统的荷电状态值处于SOC过小区间，则储能系统充放电功率
为-(Pw(t)-Pf_min(t))；
C2)若当前储能系统的荷电状态值处于SOC较小区间，则储能系统充放电功率
为-(Pw(t)-Pf_adj(t))；
C3)若当前储能系统的荷电状态值处于SOC适宜区间，储能系统不工作，则储能系统充放电功率为0；
C4)若当前储能系统的荷电状态值处于SOC较大区间或SOC过大区间，则储能系统充放电功率为Pf_max(t)-Pw(t)；
当风电功率实际值处于“风电状态D”时的储能系统充放电功率为：
D1)若当前储能系统的荷电状态值处于SOC过小区间，则储能系统充放电功率
为-(Pw(t)-Pf_min(t))；
D2)若当前储能系统的荷电状态值处于SOC较小区间，则储能系统充放电功率
为-Pw(t)+Pf_max(t)-e(Pf_max(t)-Pf_min(t))，e为0至1之间的充放电功率调整系数；
D3)若当前储能系统的荷电状态值处于SOC适宜区间或SOC较大区间，则储能系统充放电功率为-(Pw(t)-Pf_max(t))；
D4)若当前储能系统的荷电状态值处于SOC过大区间，储能系统不工作，则储能系统充放电功率为0。
上述步骤中，当所述储能系统充放电功率为负值时、表示储能系统处于充电状态，当所述储能系统充放电功率为正值时、表示储能系统处于放电状态。
6.如权利要求2所述的方法，其特征在于，最大充放电功率以及剩余电量允许的充放电功率对所述储能系统充放电功率进行实时调整包括：
剩余电量E(t)需满足剩余电量上下限约束，即Emin≤E(t)≤Emax：
当储能系统处于充电状态时，E(t)＝(1-σsdr)E(t-1)-Pbess(t)ΔtηC，且Pbess(t)满足如下约束条件：
当储能系统处于放电状态时，E(t)＝(1-σsdr)E(t-1)-Pbess(t)Δt/ηD，且Pbess(t)满足如下约束条件：
式中，E(t)、E(t-1)分别为储能系统t、t-1时刻结束时的剩余电量；σsdr为储能系统的自放电率；Δt为计算窗口时长；ηC、ηD分别为储能系统的充、放电效率；Pbess(t)为t时刻的储能系统充放电功率； 为储能系统最大允许充电功率； 为储能系统最大允许放电功率；Emin为储能系统最小容量；Emax为储能系统最大容量。
7.如权利要求1所述的方法，其特征在于，所述基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数J的表达式如下：
min J＝αF1+βf2
式中，F1、F2分别为风储联合发电跟踪计划出力的函数和储能系统荷电状态的函数；
α、β分别为上述F1、F2的权重系数；M为数据点数；Pbess(t)为t时刻的储能系统充放电功率；Puf(t)为t时刻的超短期风电功率预测值；SSOC-high、SSOC-low分别为荷电状态上、下限值；
SSOC(t)为t时刻储能系统的荷电状态值；Pf(t)为t时刻短期风电功率预测值。
8.如权利要求7所述的方法，其特征在于，通过粒子群优化算法确定充放电控制系数包括：
设定粒子群优化算法的参数，包括：粒子群总数N、迭代次数k、惯性常数ω以及学习因子c1和c2；
初始化粒子群的位置和速度；
根据目标函数J确定粒子群中各粒子的适应度；
比较各粒子的适应度，确定各粒子的个体极值Pbesti及其对应的目标函数值J(Pbesti)；
从全部个体极值Pbesti中确定全局极值Gbest及其对应的目标函数值J(Gbest)；
根据个体极值和全局极值更新各粒子的速度和位置；
重新根据目标函数J计算各粒子此时的适应度，判断是否更新个体极值Pbesti和全局极值Gbest；
当满足全局极值的位置连续100次无变化或达到迭代次数要求时，则停止迭代输出优化后的充放电控制系数；否则，根据个体极值和全局极值重新更新各粒子的速度和位置。
9.如权利要求8所述的方法，其特征在于，所述初始化粒子群的位置和速度包括：
初始化迭代次数；
将充放电控制系数作为粒子群中的粒子，分别设置各粒子的初始位置和速度。
10.如权利要求8所述的方法，其特征在于，
找出第i个粒子迭代到第k代时，前k代中最大的适应度作为该粒子的个体极值其所对应的目标函数值 通过目标函数J求得；
找出迭代到第k代时，前k代中最大的适应度作为粒子群的全局极值 其所对应的目标函数值 通过目标函数J求得。
11.如权利要求8所述的方法，其特征在于，通过下式更新各粒子的速度和位置：
式中， 分别为迭代至第k代第i个粒子的速度和位置； 分别为迭代至第
k+1代第i个粒子的速度和位置； 为迭代至第k代第i个粒子的个体极值； 为前k代中粒子群的全局极值。
12.如权利要求8所述的方法，其特征在于，判断是否更新个体极值Pbesti和全局极值Gbest包括：
若 成立，则
否则， 则 成立，
式中，和 分别为迭代次数为k时的粒子位置和个体极值。
13.如权利要求1所述的方法，其特征在于，
将通过粒子群优化算法确定的充放电控制系数代入充放电控制策略中，根据短期风电功率预测值和每个预报点读入的风电功率实际值确定两个预报点之间时间段的储能系统充放电功率；继续进行下一预报点的轮询操作，直至达到短期预测的最大时刻值为止。
14.一种基于风电预测功率的储能跟踪风电出力计划系统，其特征在于，该系统包括：
数据获取单元，用于读取风电场和储能系统的相关数据；
控制单元，用于建立包含充放电控制系数的储能系统充放电控制策略，所述充放电控制系数包括：荷电状态控制系数a、b，风电状态控制系数c以及充放电功率调整系数d、e；；
计算模块，用于基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数；
优化单元，用于通过粒子群优化算法确定充放电控制系数；
结果输出单元，用于根据充放电控制系数确定储能系统充放电功率。
15.如权利要求14所述的系统，其特征在于，所述控制单元包括：
第一设置模块，用于根据荷电状态控制系数a、b，储能系统正常运行时荷电状态下限值SSOC-low和上限值SSOC-high将荷电状态值SSOC(t)在0至1之间划分为代表各种荷电状态的区间；
第一设置模块，用于将风电功率实际值划分为四种风电状态，包括：风电功率实际值低于短期风电功率预测下限值的状态；介于短期风电功率预测上限值与控制功率值之间的状态；介于控制功率值与短期风电功率预测上限值之间的状态；和高于短期风电功率预测上限值的状态；
计算模块，用于基于当前风电场所对应的风电状态和当前储能系统荷电状态SOC所处的区间，计算储能系统充放电功率；
修正模块，用于根据最大充放电功率以及剩余容量允许的充放电功率对所述储能系统充放电功率进行实时调整。
16.如权利要求14所述的系统，其特征在于，所述优化单元包括：
设置模块，用于设定粒子群优化算法的参数，包括：粒子群总数N、迭代次数k、惯性常数ω以及学习因子c1和c2；
初始化模块，用于初始化粒子群的位置和速度；
适应度计算模块，用于确定粒子群中各粒子的适应度；
极值计算模块，用于比较各粒子的适应度，确定各粒子的个体极值Pbesti及其对应的目标函数值J(Pbesti)；从全部个体极值Pbesti中确定全局极值Gbest及其对应的目标函数J(Gbest)；
更新模块，用于根据个体极值和全局极值更新各粒子的速度和位置，并重新计算各粒子此时的适应度，判断是否更新个体极值Pbesti和全局极值Gbest；
执行输出模块，当满足全局极值的位置连续100次无变化或达到迭代次数要求时，则停止迭代输出优化后的充放电控制系数；否则，根据个体极值和全局极值重新更新各粒子的速度和位置。