1.一种风电功率的实时预测方法，其特征在于，包括以下步骤：步骤S1，对于已投入运行的任意一台风电设备，预先获取该风电设备在已完成发电操作的每个发电时刻具有的风电功率和风速，并且对于任意相邻的两个发电时刻，均将风电设备在前一时刻的风电功率和风速定义为风电设备的输入数据，以及将风电设备在后一时刻的风电功率定义为风电设备的输出数据；步骤S2，建立风电功率的预测模型，该风电功率的预测模型用于建立风电设备在前一时刻的风电功率与后一时刻的风电功率之间的非线性关系；步骤S3，实时采集风电设备当前时刻的风电功率和风速，然后输入到所述风电功率的预测模型中，从而实时预测获得风电设备在后一时刻的风电功率。2.如权利要求1所述的风电功率的实时预测方法，其特征在于，在步骤S2中，风电功率的预测模型，具体是神经网络模型；该神经网络模型，包括依次对输入数据进行处理的输入层、分解层、稀疏层、映射层、增强层和输出层；其中，风电设备的输入数据从输入层输入后，通过分解层、稀疏层、映射层和增强层分别对输入数据进行特征分解、稀疏表示、线性变换和非线性增强处理操作，然后在输出层计算出处理后的输入数据与输出数据之间的连接权重，从而建立风电设备在前一时刻的风电功率与后一时刻的风电功率之间的非线性关系。3.如权利要求2所述的风电功率的实时预测方法，其特征在于，在步骤S2中，所述神经网络模型是具有预设计算规则的神经网络模型；所述神经网络模型的预设计算规则，按照其包括的网络层数，具体包括先后进行的以下五个阶段计算处理操作：步骤S21，执行输入层到分解层的计算处理操作；步骤S22，执行分解层到稀疏层的计算处理操作；步骤S23，执行稀疏层到映射层的计算处理操作；步骤S24，执行映射层到增强层的计算处理操作；步骤S25，执行增强层到输出层的计算处理操作。4.如权利要求3所述的风电功率的实时预测方法，其特征在于，步骤S21，具体包括以下子步骤：步骤S 2 1 1 ，预先给定一组样本量为t 的风电功率时间序列数据，则其中：K是频域序列fk的维度；δ(t)是狄拉克分布；*表示卷积算子；j是一个虚数；步骤S213，在公式(1)中引入二次惩罚因子α和拉格朗日乘子算子θ，将上述公式(2)所示的有约束的变分问题转化为无约束的变分问题，获得的表达式如下面的公式(2)所示；

步骤S214，利用交替方向乘子法，求解上述公式(2)所示的变分问题，则频域序列fk、中心频率ωk和拉格朗日乘子算子θ的更新迭代机制，分别如下面的公式(3)、(4)和(5)所示；其中：和分别是h(ω)、fk(ω)、fp(ω)和θ(ω)的傅里叶变

换，τ是更新参数；s是迭代次数；步骤S215，通过运行分解层的输出数据Pk的表达式，计算获得分解层的输出数据Pk；分解层的输出数据Pk的表达式，如下面的公式(6)所示；Pk＝[f1，f2，...，fk，S].， 公式(6)；其中，fk是神经网络模型的输入数据X通过变分模态分解得到的频域序列，k是经网络模型的输入数据X的分解数。5.如权利要求3所述的风电功率的实时预测方法，其特征在于2、如权利要求1所述的风电功率的实时预测方法，其特征在于，步骤S22，具体包括以下子步骤：步骤S221，通过表达式建立稀疏层的输出数据Q和分解层Pk之间的关系；其中，最优权重通过求解下面公式(7)所示的约束问题得到；

其中，λ是稀疏层中的正则化系数；||·||2表示L2范数；||·||1表示L1范数；步骤S222，利用交替方向乘子法，求解上述公式(7)所示的凸优化问题，从而将公式(7)转换为如公式(8)所示的形式；其中，步骤S223，对公式(8)进一步变换，得到下面的公式(9)；s.t.v‑0＝0. ，公式(9)；其中：w和o都是一组最优解；步骤S224，运用下面的公式(10)所示的迭代机制，对进行求解；or+1：＝Sλ(vr+1+ur)，ur+1：＝ur+(vr+1‑or+1) . ，公式(10)；其中，r是迭代次数；Sλ是软阈值算子符号，Sλ的定义如下面的公式(11)所示；则，稀疏层的输出数据Qln的表达式如下面的公式(12)和(13)所示；其中，是稀疏层随机生成的权重通过稀疏自编码得到的最优权重，l是映射层的窗口数，n是映射层中每个窗口的节点数。6.如权利要求3所述的风电功率的实时预测方法，其特征在于，步骤S23，具体包括以下子步骤：运行映射层的输出数据Zln的表达式，具体如下面的公式(14)和(15)所示；

其中，φ(·)是特征映射函数，即，将特征统一映射到[‑1，1]的区间上；βei是映射层随机生成的偏置。7.如权利要求3所述的风电功率的实时预测方法，其特征在于，步骤S24，具体包括以下子步骤：运行增强层Hm的表达式，具体如下面的公式(16)所示；Hm＝ζ(ZlnWh+βh)， 公式(16)；其中，ζ(·)是非线性激活函数，Wh和βh是增强层随机生成的权重和偏置。8.如权利要求3所述的风电功率的实时预测方法，其特征在于，步骤S25，具体包括以下子步骤：运行输出层的输出数据Y的表达式，具体如下面的公式(17)所示；Y＝[Zln|Hm]W，， 公式(17)；其中，W是神经网络模型输出的连接权重，其表达式如下面的公式(18)所示；W＝[Zln|Hm]‑1Y.， 公式(18)；其中，引入增强层的正则化系数η来求解上述公式(18)的连接权重W，获得的表达式如公式(19)、(20)和(21)所示；其中：||·||2表示L2范数，I是一个单位矩阵。