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：采集风电场中台风机当前时刻回望个历史时间步的个特征与未来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台风机当前时刻回望历史时间步的个特征组合，构造特征图；将特征图作为输入，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：特征图输入DRSN-CW网络去噪并提取空间特征；

步骤3-2：将历史风速空间分布特征与未来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；

（2）将特征图进行风机数量维上降维后得到单时刻特征图；

（3）在动态去噪环节，将RSBU-CW模块将单时刻特征图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，其中，是特征图的宽度；

（4）经过公式所示的处理过程获得不同特征的注意力权重，并通过公式对加权相乘获得特征软阈值向量，其中，分别是特征图的通道，、是特征图第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，、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，将空间特征图转换为一维空间特征向量，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提取的第台风机空间特征向量与对应时刻其它输入特征结合形成编码器的输入特征；

（2）输入特征通过BiLSTM的双向长短期记忆机制捕捉序列中的时序信息向量，然后将其与各预测时刻的风速、风向、气温特征这些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；

（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，为编码器，为解码器，为上一编码单元输出向量；是线性映射函数权重，是线性映射偏置向量；表示上一解码单元输出向量；为偏置；为解码器门控运算，为上一编码器的输出向量，也是本层编码器输入向量，为本层编码器输出向量，也是下一解码器的输入向量，为上一解码器的输入向量，也是本层解码器输入向量，为本层解码器输出向量，也是下一解码器的输入向量；、是线性映射函数权重和偏置向量；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；然后根据与、、的关系，采用公式和公式计算其落入对应区间的功率权重；其中，为风速在区域的权重；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，根据公式预测位于风速-功率转换区内的功率输出；其中，是归一化后的风速值；是一个包含、、的向量，用于作为神经网络的输入；、、是神经网络中各隐藏层的权重矩阵；、、指的是神经网络中各隐藏层的偏置；是输入的加权求和，表示输入与权重矩阵的乘积，加上偏置；在多层神经网络中，上一层的输出会成为下一层的输入；表示第一层隐藏层的输出经过激活函数处理后，结果与第二层的权重相乘，并加上第二层的偏置；表示第二层隐藏层的输出经过激活函数处理后，结果与第三层的权重相乘，并加上第三层的偏置；通过Sigmoid激活函数将输出限制在[0,1]区间范围内，乘以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，为在区域的功率输出值；为在区域的功率输出值；为在区域的功率输出值；为在区域的功率输出值。

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。