1.一种基于时空相关性的短期风电功率预测方法，其特征在于，包括以下步骤：（1）获取某区域风电场的历史功率及待测风电场影响因子的历史数据，建立特征数据库，识别并剔除原始数据中的异常值，填补原始数据中的缺失值，使用z‑score将数据标准化；

（2）使用t分布随机近邻嵌入算法，在保留数据相似性的同时对数据进行降维；

（3）利用CNN对已经处理过的风电数据进行局部特征提取，生成更重要的信息；

（3.1）CNN的输入为多特征数据，通过卷积层提取输入时间序列的有效非线性局部特征；将数据以天为单位分成k天，每天n条数据，每条数据m个气象因素，构成n×m×k矩阵作为CNN模型的输入，记CNN卷积层输出为 ，卷积层输出公式如下：；

其中， 为激活函数，k为滑动窗口大小，wn,m为卷积核n行m列的权重，Xi+n,j+m为输入风电数据特征矩阵第n行、第m列的值，bn,m为卷积核偏差；

（3.2）在CNN池化层中，利用滤波器和滑动窗口进行数据采样，降低数据特征尺寸，减少网络参数，最后通过全连接层将数据输入到FEDformer模型中；

（4）使用主要架构为编码器‑解码器的FEDformer模型，经过编码器的MOE模块对输入信号进行分解，FEB模块对频域特征进行加权，使高频特征得到更高的权重，再由解码器中的FEA对来自编码器和解码器中的信号执行交叉注意操作，提取信号中的相关性和相似性，实现模型的自适应学习和预测，得到最终的预测结果。

2.根据权利要求1所述的一种基于时空相关性的短期风电功率预测方法，其特征在于，步骤（1）所述的待测风电场影响因子包括风速、风向、温度、湿度。

3.根据权利要求1所述的一种基于时空相关性的短期风电功率预测方法，其特征在于，所述步骤（1）具体为：（1.1）整理某区域多个风电场历史功率和待测电站气象因子的历史数据，识别样本集中的异常值并将其剔除，再补全原始数据中的缺失值；

（1.1.1）运用拉依达准则法，给定一个置信概率，据此确定一个置信限，并以此为标准判断数据是否为异常值，若数据误差超过此限，则将其视为异常值并剔除，最终得到风电场历史功率数据和影响因子历史数据；

（1.1.2）在剔除异常值的基础上，针对非多个连续数据缺失的情况，采用平均值法进行补齐，针对多个连续数据缺失的情况，则采用直接删除的方法处理；所述平均值法公式如下：；

其中，xi为第i个缺失数据，xi‑1和xi+1为缺失值前后的数据，若xi+1为缺失值，则向后取xi+2；

（1.1.3）使用z‑score，将已经清洗完的历史功率数据进行标准化处理，记样本序列为x1,x2,…,xn，标准化公式如下：；

其中，xi是标准化前的数据，yi是对应的标准化数据，是该序列的平均值，产生的新序列y1,y2,…,yn是均值为0、方差为1、无量纲的数据。

4.根据权利要求3所述的一种基于时空相关性的短期风电功率预测方法，其特征在于，所述步骤（2）具体为：对风电场历史运行数据使用t分布随机近邻嵌入算法进行特征提取；

记S={x1,x2,…,xn}为n个高维系统运行的数据集合，高维数据点两两之间服从高斯分布，用Pj|i来描述高斯中心相似的条件概率，其计算公式为：；

其中，为数据点xi的高斯分布方差；

根据此式，计算空间中任意两个数据点的联合概率分布Pij，其计算公式为：；

式中，Pi|j是在给定数据点xi的条件概率的情况下，将xj作为邻近点的概率；Pj|i是在给定数据点xj的条件概率的情况下，将xi作为邻近点的概率；

在低维空间中，记T={y1,y2,…,yn}为集合S服从自由度l的t分布的映射，Qij系统运行数据任意两个特征矩阵联合概率分布，其计算公式为：；然后，用Kullback‑Leibler离散度DKL表示映射正确性，其计算公式为：

；

其中，Pij是空间中任意两个数据点的联合概率分布，Qij是系统运行数据任意两个特征矩阵联合概率分布；

最后，利用梯度下降法迭代求最小离散度，提高气象特征矩阵准确率。

5.根据权利要求1所述的一种基于时空相关性的短期风电功率预测方法，其特征在于，所述步骤（4）具体为：（4.1）编码器采用多层结构， ，编码器中的MOE Decomp层负责将输入信号分解成季节分量和趋势分量，将趋势分量舍弃，保留季节分量，并将其传到下一层学习；FEB模块负责提取信号的频域信息，并将其整合到模型中，对频率特征进行加权以确保高频特征能得到更大的权重，最后将处理后的季节分量馈送到解码器；

所述编码器主要公式如下：

；

；

；

其中， 表示第l层编码器的输出， 是嵌入的历史序列，表示第l层中的第i个分解块之后的季节性分量；

（4.2）解码器也采用多层结构， ，解码器中的输入也会经过三个MOE Decomp分解层，分解层将信号分解为趋势分量和季节分量，同编码器一样，将季节分量传递到下一层一步一步学习；FEB负责提取时间序列中的有效频域信息，其功能与自注意块相同，对高频特征进行加权，从而更好地捕捉时间序列的详细信息；FEA负责在编码器和解码器之间交换信息，通过交叉注意运算学习两个模块之间的内在关系，提取信号之间的相关性和相似性，实现模型的自适应学习和预测；

所述解码器的主要公式如下：

；

；

；

；

其中， 表示第l层编码器的输出， 分别表示第l层第i个分解块后的季节分量和趋势分量，  分别表示第i次提取的趋势 的投影；

最终的预测结果为两个细化分解分量的和，其公式为：；

其中， 是将深度变换后的季节分量 投影到目标维度。

6.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑5中任一项所述的一种基于时空相关性的短期风电功率预测方法。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑5中任一项所述的一种基于时空相关性的短期风电功率预测方法。