1.一种用于多风电场功率预测的模型，其特征在于，它包括输入模块、若干依次串接的时空模块、输出模块，输入模块与若干依次串接的时空模块的首个时空模块的输入连接，若干依次串接的时空模块的最后一个时空模块的输出与输出模块的输入端连接，输出模块输出预测结果；每个时空模块包括时间递归模块TRM、以及与时间递归模块TRM的输出连接的图卷积模块GCM；

在若干依次串接的时空模块中，前一个时空模块中的图卷积模块的输出与下一个时空模块中的时间递归模块的输入连接；

还包括跳跃连接层，每个时空模块中的时间递归模块的输入端与跳跃连接层连接；

还包括残差连接层，在前一个时空模块中的图卷积模块的输出与下一个时空模块中的时间递归模块的输入连接的位置接入残差连接层；

在使用该模型进行多风电场功率的预测时，采用以下步骤：

步骤1：采集同一大型风电基地的多个目标风电场小时级的历史功率数据集和外部气象信息数据；

步骤2：利用输入模块将步骤1中的功率数据与气象数据进行预处理；

步骤3：利用时间递归模块TRM处理输入模块传来的数据，提取单个风电场功率数据的时序特征；

步骤4：利用图卷积模块GCM学习多个风电场功率序列数据间的空间特征；

步骤5：将时间递归模块TRM、图卷积模块GCM交错相连，同时通过跳跃连接层和残差连接层的组合连接起来，由此得到多风电场功率数据耦合的时空特征；

步骤6：将经过多对时间递归模块与图卷积模块处理后的特征数据导入输出模块中，得到各风电场的功率预测结果；

在步骤3中，利用卷积门控循环单元提取单个风电场功率数据的时序特征，具体包括以下子步骤：步骤3.1：用ConvGRU模型结构中的更新门对上一时刻传来的数据进行处理，以此决定将多少过去时刻的信息传递到未来，其计算式如下：z

式中h

步骤3.2：用ConvGRU模型结构中的重置门对上一时刻传来的数据进行处理，其计算式如下：r

式中W

步骤3.3：对上一时刻传来的数据和r

式中W

步骤3.4：对式(1)至式(3)的计算结果进行整合得到当前时刻的最终隐含层状态信息h步骤3.5：将一个ConvGRU网络得到的最终隐含层状态信息通过双曲正切函数激活，另一个ConvGRU网络得到的最终隐含层状态信息通过sigmoid函数激活，将二者进行卷积后输入后续的图卷积模块GCM中；

利用图卷积模块提取多个风电场功率数据之间的空间特征；步骤4包括以下子步骤：步骤4.1：采用MIC最大互信息系数计算表示不同风电场之间相邻关系的邻接矩阵；

步骤4.1.1)用无向图G＝(V，E)对多风电场进行建模，其中图的节点数N即为目标地区的风电场数，V代表节点集，E代表边集，v∈V表示一个节点，e＝(v，u)∈E表示从节点u到节点v的一条边，节点v的邻域定义为N(v)＝{u∈V|(v，u)∈E}，图的邻接矩阵A∈R步骤4.1.2)计算每对风电场功率序列数据之间的最大互信息系数作为图邻接矩阵的元素值，功率序列X和Y之间的MIC计算式如下：式中p(.)是概率分布函数；Cov(X，Y)是X和Y的协方差，D(.)和E(.)分别是方差和期望，|X||Y|＜B表示在X、Y坐标上划分的网格总数小于B，计算得到的邻接矩阵各元素值都均为区间[0，1]之间；

步骤4.2：采用图卷积模块来学习多个风电场功率数据之间的相关性，称之为多风电场功率数据的空间特征，将从上一模块获得的信息H式中A为步骤4.1计算的图邻接矩阵，I是单位矩阵，β为超参数，它控制着保留每个节点原始状态的比值，H步骤4.3：对步骤4.2得到的各层图卷积的隐含层信息通过多层感知器后进行求和，得到图卷积模块的最终输出结果H式中W

在步骤5中，将时间递归模块的输出与图卷积模块的输入连接，然后将图卷积模块的输出与另一个时间递归模块的输入连接起来，由此学习到多风电场功率数据耦合的时空相关性；同时在每两个不同模块首尾增加残差连接层，在每一个时间递归模块的输入部位增加跳跃连接层，在避免深度学习过程中梯度消失的同时促进多个风电场功率数据时空特征的耦合。

2.根据权利要求1所述的模型，其特征在于，在步骤1中，将N座目标风电场T

3.根据权利要求1所述的模型，其特征在于，在步骤6中，将经过n对时间递归模块与图卷积模块处理后提取的特征数据和经过残差层、跳跃层处理的数据降维，其中n是一个由实际多风电场数据集的特征决定的超参数；降维部分称为输出模块，其本质是两个1×1标准卷积层，它们的作用是将输入通道数转换为所需的输出尺寸，从而得到最终的预测结果