1.考虑时空特性和风速-功率转换机理的风电功率预测方法，其特征在于，包括以下步骤：

步骤1：采集风电场中m台风机当前t时刻回望H个历史时间步的r个特征与未来k个预测时间步的风电场NWP数据；

步骤2：对由步骤1获得的数据进行数据的预处理，将作为输入变量和输出变量的各类数据根据其特点分别进行归一化操作；获取数据集并按照一定的比例分为三个子集，分别用于训练、验证和测试；

步骤3：将处理后的风电场中m台风机当前t时刻回望H历史时间步的r个特征组合，构造特征图xr×m×H；将特征图xr×m×H作为输入，进行风机风速预测，输出各风机轮毂处的风速预测值步骤4：将步骤3得到的风速预测值结合环境温度的影响，对由步骤3输出的风速预测值加以修正；将风速预测值作为输入，进行风速-功率转换，输出修正后的风机功率预测值重复该操作直到遍历每台风机和各预测时间步，输出各风机的预测功率步骤5：将步骤4得到的所有风机预测功率输出叠加，输出风电场的总预测功率

2.根据权利要求1所述的方法，其特征在于，在步骤3中，具体包括以下步骤：

步骤3-1：特征图xr×m×H输入DRSN-CW网络去噪并提取空间特征si,t-H+1:t；

步骤3-2：将历史风速空间分布特征si,t-H+1:t与未来k个预测时间步的风电场NWP数据融合，利用BiLSTM-S2S网络进一步捕捉来自连续时间断面空间特征之间的时间依赖关系，输出各风机轮毂处的风速预测值

3.根据权利要求2所述的方法，其特征在于，在步骤3-1中，在进行DRSN-CW网络去噪并提取空间特征时步骤如下：(1)输入待去噪和空间特征提取的特征图xr×m×H；

(2)将特征图xr×m×H进行风机数量维上降维后得到单时刻特征图Xin；

(3)在动态去噪环节，将RSBU-CW模块将单时刻特征图Xin输入全局平均绝对池化层，通过公式生成表征全部风机整体风速和桨距角特征的一维向量β，其中，W是特征图Xin的宽度；

(4)经过公式αC＝σ(FC(Relu(BN(FC(β)))))所示的处理过程获得不同特征的注意力权重αC，并通过公式τC＝αC·β对加权相乘获得特征软阈值向量τC，其中，C分别是特征图Xin的通道，αC、τC是特征图第C通道的缩放参数和阈值；

(5)由公式软阈值函数输出去噪后的特征图，使得低于阈值的特征置零、高于阈值的特征收缩以减少噪声对模型的干扰，其中，Xin、Xout分别为输入、输出特征；

(6)经过多个RSBU-CW模块后，DRSN-CW网络在输出层经过批归一化、ReLU激活和全局平均池化，将空间特征图xr×m×H转换为一维空间特征向量si,t-H+1:t，为下一步风速预测提供风速在多风机上空间分布的隐特征表示。

4.根据权利要求2所述的方法，其特征在于，在步骤3-2中，

在步骤3-2中，在进行BiLSTM-S2S网络提取时序特征并预测各风机轮毂处的风速时步骤如下：

(1)将DRSN-CW提取的第i台风机空间特征向量si,t-H+1:t与对应时刻其它输入特征xi,t-H+1:t结合形成编码器的输入特征{qt-H+1:t}i；

(2)输入特征{qt-H+1:t}i通过BiLSTM的双向长短期记忆机制捕捉序列中的时序信息向量Ct，然后将其与各预测时刻的风速、风向、气温特征等NWP气象预测值结合形成解码器输入，建立未来预测时刻之间的时序信息传递机制，输出各预测时刻的隐状态向量{Dt+1:t+k}i；

(3)经全连接层获得风速的预测值

(4)遍历每台风机，获得全部风机风速的预测值

在步骤3-2中的步骤(2)-(3)中，单台风机在BiLSTM-S2S网络中采用公式在编码器和解码器中构建未来预测时刻的时序信息传递机制，从而实现风速的预测；其中，EncoderBILSTM(·)为编码器，DecorderBILSTM(·)为解码器，ht-1为上一编码单元输出向量；Wc是线性映射函数权重，bc是线性映射偏置向量；ht+k-1表示上一解码单元输出向量；bG为偏置；G为解码器门控运算，ht-a-1为上一编码器的输出向量，也是本层编码器输入向量，ht-a为本层编码器输出向量，也是下一解码器的输入向量，ht+b-1为上一解码器的输入向量，也是本层解码器输入向量，ht+b为本层解码器输出向量，也是下一解码器的输入向量；wc、bc是线性映射函数权重和偏置向量；FC(·)为全连接层。

5.根据权利要求1至4其中之一所述的方法，其特征在于，在步骤4中，获得修正后的风机功率预测值包括以下步骤：

步骤4-1：按照风电机组的运行状态划分四个区域，无输出功率的启动区、功率线性增长至额定功率的风速-功率转换区、超过额定风速后维持额定功率的恒功率区和当超过额定风速后维持额定功率的安全区；

步骤4-2：考虑环境温度影响，将步骤3-2中输出的各风机风速预测值中每个预测风速与对应的温度预测值结合作为风速-功率转换嵌入式网络的输入，然后采用Dense层对预测风速加以修正，得到修正后风速v′；然后根据v′与vin、vN、vout的关系，采用公式和公式计算其落入对应区间的功率权重wa(a＝1,…,4)；其中，wa为风速在Wa区域的权重；α为LeakySigmoid函数的参数，用以控制函数的斜率，根据统计样本的过渡区域宽度设置，反映v′与对应阈值的关系强度；

步骤4-3：采用公式和公式将标幺化后的风速及其多项式组合作为输入，采用三层全连接神经网络模型，根据公式P(2)＝σ(ReLU(ReLU(IW1+b1)W2+b2)W3+b3)·PN预测位于风速-功率转换区W2内的功率输出P(2)；其中，vnorm是归一化后的风速值；I是一个包含vnorm、的向量，用于作为神经网络的输入；W1、W2、W3是神经网络中各隐藏层的权重矩阵；b1、b2、b3指的是神经网络中各隐藏层的偏置；IW1+b1是输入I的加权求和，表示输入I与权重矩阵W1的乘积，加上偏置b1；在多层神经网络中，上一层的输出会成为下一层的输入；ReLU(IW1+b1)W2+b2表示第一层隐藏层的输出经过ReLU激活函数处理后，结果与第二层的权重W2相乘，并加上第二层的偏置b2；ReLU(ReLU(IW1+b1)W2+b2)W3+b3表示第二层隐藏层的输出经过ReLU激活函数处理后，结果与第三层的权重W3相乘，并加上第三层的偏置b3；通过Sigmoid激活函数σ将输出限制在[0,1]区间范围内，乘以PN后将预测的归一化功率转化为实际功率输出；

步骤4-4：根据风速所属区域对功率加权求和，采用公式得到预测时刻风机输出功率预测值其中，P(1)为在W1区域的功率输出值；P(3)为在W3区域的功率输出值；P(4)为在W4区域的功率输出值；P(a)为在Wa区域的功率输出值。

6.根据权利要求1所述的方法，其特征在于，在步骤5中，包括以下步骤：风电场预测功率集成网络：将所有风机预测功率输出叠加，根据公式输出风电场的总预测功率

7.一种用于风机功率预测的网络，其特征在于，包括风机风速预测子网络、风力机风速-功率关系嵌入式子网络、风电场功率集成子网络；

风机风速预测子网络(DBiLSTM)包括DRSN-CW子网络、BiLSTM-S2S子网络；风机风速预测网络DRSN-CW子网络的输出与BiLSTM-S2S子网络的输入连接；风机风速预测网络DRSN-CW子网络的输入端用于输入特征图xr×m×H，BiLSTM-S2S子网络的输出端用于输出各风机轮毂处的风速预测值

8.根据权利要求7所述的网络，其特征在于，DRSN-CW子网络包括K个依次串行连接的RSBU-CW子网络和卷积层、批归一化BN、ReLU激活层、全局绝对平均池化GAP操作层；卷积层的输出与K个依次串行连接的RSBU-CW子网络的输入连接，K个依次串行连接的RSBU-CW子网络的输出与批归一化BN的输入连接，批归一化BN的输出与ReLU激活层的输入连接，ReLU激活层的输出与全局绝对平均池化GAP操作层的输入连接；

K个依次串行连接的RSBU-CW子网络中每一个RSBU-CW子网络结构为：RSBU-CW子网络中的第一层批归一化BN、ReLU激活、卷积层的输出与第二层的批归一化BN、ReLU激活、卷积层的输入连接，第二层的批归一化、ReLU激活、卷积层的输出与全局绝对平均池化层GAP的输入连接，RSBU-CW网络中值、全局绝对平均池化GAP的输出与全连接层FC的输入连接，全连接层FC的输出与归一化BN、ReLU激活、全连接层FC的输入连接，归一化BN、ReLU激活、全连接层FC的输出与Sigmoid激活层的输入连接，Sigmoid激活层的输出与软阈值函数、残差连接层的输入连接；

BiLSTM-S2S子网络包括编码器、解码器、全连接层；BiLSTM-S2S网络的编码器的输出与BiLSTM-S2S网络的解码器的输入连接，BiLSTM-S2S网络的解码器的输出与全连接层的输入连接。

9.根据权利要求7所述的网络，其特征在于，风力机风速-功率关系嵌入式子网络包括全连接层、标幺化、Sigmoid激活函数、LeakySigmoid门控单元；一路径，全连接层的输出与标幺化的输入连接，标幺化的输出与全连接层的输入连接，全连接层的输出与Sigmoid激活函数的输入连接；同时，另一路径，全连接层的输出与LeakySigmoid门控单元的输入连接，LeakySigmoid门控单元的输出与全连接层的输入连接；两条路径合并，Sigmoid激活函数和LeakySigmoid门控单元的输出与全连接层的输入连接；

风力机风速-功率关系嵌入式子网络的输入端用于输入风机风速预测子网络输出的风速预测值输出端用于输出各风机的预测功率

10.根据权利要求7所述的方法，其特征在于，风电场功率集成子网络包括全连接层；

风电场功率集成子网络的输入端用于输入风力机风速-功率关系嵌入式子网络输出的各风机的预测功率输出端用于输出风电场的总预测功率