1.具有时间空间相关性的多风电场功率日场景生成方法，其特征在于，先利用张量自组织映射神经网络对多风电场时空功率日场景进行聚类，对聚类的各簇日场景进行降维，对降维得到的隐含特征进行独立抽样，对抽样特征进行解码并按比例聚合得到多风电场时空功率新场景集合，所述日场景生成方法包括以下步骤：步骤1：采集多座风电场的风电出力日场景数据，得到日场景数据集；

步骤2：利用张量自组织映射神经网络对日场景数据集进行聚类，得到日场景聚类簇；

步骤3：对各聚类簇分别构建变分自编码器，利用变分自编码器的编码器从日场景数据中提取隐含特征；

步骤4：利用步骤3提取的隐含特征对各簇日场景数据进行随机模拟和抽样，得到各聚类簇的日场景隐含变量数据集；

步骤5：利用变分自编码器的解码器对日场景隐含变量数据集进行解码重构，得到各聚类簇重构的日场景数据；将各聚类簇重构的日场景数据进行聚合，得到重构的日场景数据集；

步骤2包括以下子步骤：

步骤2.1：输入多风电场时空功率历史样本数据 其中xi表示第i个日场景数据，N表示历史样本天数，m为风电场个数，h为日内时刻点数；

步骤2.2：对张量自组织映射神经网络输出层每个节点权重Wj，j＝1,2,…J随机赋予初值；

步骤2.3：针对多风电场时空功率日场景数据xi，计算与xi距离最短的连接权重矩阵，计算式如下：*

式中j 表示获胜单元；J表示张量自组织映射神经网络输入层神经元个数；||·||表示距离函数；glm为元素位置度量系数，G表示与元素位置距离相关的度量矩阵；

步骤2.4：定义获胜单元的邻近区域 对于邻近区域内的单元，通过调整权重使其向xi靠拢，权重调整的迭代计算式如下：式中wij(t)、wij(t+1)分别表示t、t+1时刻神经元i到j的权值；α(t,D)表示邻域内第i个*神经元与获胜神经元j之间拓扑距离D的函数；

步骤2.5：重复步骤2.3和步骤2.4，当达到训练结束条件α(t)≤αmin时停止训练，αmin表示学习率最小值，并输出聚类簇 其中 表示第nk个日场景数据，nk为第k簇风电功率数据的样本数，K为聚类簇个数。

2.根据权利要求1所述的多风电场功率日场景生成方法，其特征在于，步骤3包括以下子步骤：步骤3.1：基于各聚类簇场景样本集Xk，无监督训练各聚类簇对应的变分自编码器VAEk，k＝1,2,...,K；

步骤3.2：利用变分自编码器VAEk的编码器提取样本集Xk的隐含特征，得到样本集Xk的隐含特征μ和σ，μ表示样本集Xk的均值，σ表示样本集Xk的方差。

3.根据权利要求2所述的多风电场功率日场景生成方法，其特征在于，步骤4包括以下子步骤：步骤4.1：利用样本集Xk的隐含特征μ和σ进行随机模拟，得到样本集Xk的隐含变量z；

步骤4.2：对隐含变量z进行独立抽样，得到n′k＝Mnk/N个服从标准正态分布的隐含变量样本，其中M表示总场景数，N表示历史样本天数，nk表示第k簇风电功率数据的样本数；

步骤4 .3 ：将抽取的隐含变量 样本，组成r维隐 含特征向量样本 集z′j表示第j个隐含特征向量。

4.根据权利要求3所述的多风电场功率日场景生成方法，其特征在于，步骤5包括以下子步骤：步骤5.1：将隐含特征向量样本集Z′k输入对应簇变分自编码器的解码器，利用解码器将Z′k重构，得到第k个聚类簇重构生成的日场景样本集合表示第j个重构生成的日场景数据；

步骤5.2：将K簇生成日场景样本集合进行聚合，得到多风电场时空功率的M个随机模拟新场景