1.一种基于数据增强的风电场爬坡事件预测方法，其特征在于，包括如下步骤：步骤1、获取风电场历史功率数据，并进行数据清洗；

步骤2、利用MK‑滑动窗口检测法对步骤1得到的风电功率数据进行分段趋势提取，并进行爬坡检测；

步骤3、构建时间序列生成对抗网络TimeGAN，将步骤2检测到的风电功率爬坡数据进行数据增强，并按照6：2：2的比例划分为训练集、验证集和测试集；

步骤4、建立ETSformer模型，先将步骤3得到的训练集和验证集输入到ETSformer模型中进行训练；

步骤5、采用Logistic混沌映射策略和高斯‑柯西混合变异策略对人工蜂鸟算法AHA进行改进，得到IAHA算法；利用IAHA算法优化ETSformer模型的超参数，提高其在风电功率爬坡事件预测的精度；

步骤6、使用测试集对风电功率爬坡事件进行预测。

2.如权利要求1所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤1中，数据清洗包括缺失值处理、异常值处理、数据去重、数据标准化和归一化。

3.如权利要求1所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤2中，利用MK‑滑动窗口检测法对步骤1得到的风电功率数据进行分段趋势提取，并进行爬坡检测具体包括如下步骤：步骤21、定义风电功率时间序列xt(t＝1,2,…,φ)和统计量Α：其中，φ为待检序列长度，Xτ和Xν为时间序列相应的年份数据；sgn(Xτ‑Xν)为符号函数，统计量Α服从正态分布；

步骤22、计算期望E(Α)和方差Var(Α)：

E(Α)＝0                                (2)Var(Α)＝φ(φ‑1)(2φ+5)/18                         (3)步骤23、构造标准化的检验统计量Π：

其中，Π服从正态分布，当Π>0时，存在上升的趋势；当Π<0时，存在下降的趋势；

步骤24、采用固定时间宽度Δt的滑动窗口检测风电功率趋势数据，并定义风电功率爬坡的特征：幅度、方向、斜率、起始时间和持续时间；

步骤25、如果当前时间点t的滑动窗内的功率采样满足下式时，则认为发生了爬坡事件，且该时刻为爬坡事件的起始时间；

其中，P(t)为t时刻的风电功率， 为判定爬坡发生的风电功率阈值；

步骤26、如果当前时间点t的滑动窗内的功率采样满足下式时，则认为爬坡事件结束，且该时刻为爬坡事件的结束时间；

步骤27、记录风电功率爬坡事件的幅度、方向、斜率、起始时间和持续时间，然后返回步骤25继续检测后续可能出现的新爬坡事件。

4.如权利要求1所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤3中，构建时间序列生成对抗网络TimeGAN，将步骤2检测到的风电功率爬坡数据进行数据增强，并按照6：2：2的比例划分为训练集、验证集和测试集具体包括如下步骤：步骤31、对风电功率爬坡数据u(t)进行样本扩充；自编码器和对抗网络的联合学习过程如下：重构损失函数

其中，Ou(t)[·]为计算向量之间相似性的欧式距离，u(t)表示实际的时序数据， 表示经过自编码器映射‑逆映射学习得到的时序数据，用于自编码器的参数优化；

监督损失函数

其中，h(t)为映射在潜在空间的隐藏层向量，g(·)为生成器内的循环网络，I(t)为随机向量，用于学习样本的时序依赖关系；

非监督损失函数

其中，y(t)和 分别表示判别器对真实样本和合成样本的分类；

步骤32、自编码器的参数优化过程：

对抗生成网络中参数的优化过程：

其中，θe,θr,θg和θd分别表示嵌入函数、恢复函数、生成器和判别器中的参数，λ和η为权重参数，均大于0；

步骤33、通过生成器和判别器的对抗训练，生成大量与风电功率爬坡数据特征相似的模拟爬坡数据，实现风电功率爬坡数据集的扩充。

5.如权利要求1所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤4中，建立ETSformer模型，将步骤3得到的训练集和验证集输入到ETSformer模型中进行训练，具体包括如下步骤：步骤41、将输入的风电功率爬坡时间序列Qt‑L:t分解为季节性分量和趋势分量，趋势分量进一步分解为水平分量和增长分量；并通过输入Embedding模块映射到隐空间；

步骤42、通过编码器提取风电功率爬坡时间序列的增长部分和季节性部分，并在移动到下一层之前进行非线性变换；

其中，t为当前时刻，L为历史序列长度，n表示层数；LN为层归一化，FF为位置前馈网络；

为第n个编码器层的残差； 为前一编码器层的残差，MH‑ESA为头部指数平滑注意力机制，FA为频率注意力机制， 为历史增长部分， 为历史季节性部分；

步骤43、定义当前时刻的水平部分

其中，α是一个平滑参数， 为上一时刻的增长部分， 为当前时刻的季节性部分；

步骤44、通过解码器得到H步增长部分的预测和季节性部分的预测；

其中， 为当前时刻的增长部分， 和 分别表示H步增长部分的预测和季节性部分的预测；Et:t+H表示H步水平部分的预测；N表示堆栈数，GD为增长阻尼；

步骤45、通过水平、增长和季节性预测的组合得到风电功率爬坡事件的H步预测

6.如权利要求1所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤5中，爬坡事件分为上爬坡、非爬坡和下爬坡。

7.如权利要求1所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤5中，采用Logistic混沌映射策略和高斯‑柯西混合变异策略对人工蜂鸟算法AHA进行改进，得到IAHA算法，利用IAHA算法优化ETSformer模型的超参数具体包括如下步骤：步骤51、设置IAHA算法的种群大小和迭代次数以及搜索空间的上下限；初始化访问表；

步骤52、对原AHA算法的种群初始化做出改进，利用Logistic混沌映射策略初始化AHA算法的种群；

Wσ+1＝εWσ(1‑Wσ)                         (20)其中，Wσ+1为σ+1个种群的位置；ε∈[0,4]，步骤53、定义目标函数为风电功率爬坡事件预测值和实际值的偏差，通过目标函数计算种群的适应度值；

步骤54、定义三种飞行技能；

步骤55、蜂鸟的位置更新；通过不同位置更新方法搜寻ETSformer模型最优超参数，使得风电功率爬坡事件预测值和实际值的偏差值降低；

步骤56、通过算法迭代不断更新当前解，并同步更新全局最优解；

步骤57、通过给定的最大迭代次数判断是否达到算法终止条件，最终在最大迭代次数内输出ETSformer模型的最优超参数。

8.如权利要求7所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤54中，三种飞行技能包括全向、对角和轴向飞行。

9.如权利要求7所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤55中，蜂鸟的引导觅食行为位置更新方式；

其中，Γi(k+1)是在第k+1次迭代时第i个食物源的位置；Γj,tar(k)是第j只蜂鸟计划访问的目标食物源的位置；a为服从标准正态分布的引导觅食因子，D为方向向量。

10.如权利要求7所述的基于数据增强的风电场爬坡事件预测方法，其特征在于，步骤

55中，蜂鸟的区域性觅食行为位置更新方式；

其中，b为服从标准正态分布的区域性觅食因子；

引入高斯‑柯西混合变异策略代替原AHA算法中迁徙觅食行为位置更新方式；通过对种群中的最优个体进行变异扰动，使其跳出局部最优；

k

其中，Γ 表示第k次迭代高斯‑柯西混合扰动后的位置， 表示个体j第k次迭代的最优位置；Gauss(ψ)为高斯变异算子，cauchy(ψ)为柯西变异算子；ρ1、ρ2为变异算子的权重系数。