1.一种基于突变气象环境识别的风电功率预测方法，其特征在于，包括以下步骤：S1、收集历史风速数据并对其进行预处理，得到预处理后的风速数据，基于该数据，利用动态自适应的突变气象环境识别算法识别突变气象时段，得到突变气象事件；具体内容为：S101、收集风场历史风速数据及对应的数值天气预报风速预测数据；

S102、对步骤S101中收集的数据进行预处理，补充气象数据采样时缺漏的记录，得到预处理后的风速数据；

S103、利用VMD模态分解算法对预处理后的风速数据进行模态分解，得到风速数据集imf＝{imf1,imf2,…,imfω}；其中，ω表示风速数据的总数，imfω表示第ω个风速数据；

S104、将每个风速数据分别输入自适应极点模型，进行风速数据极值点提取，得到重构后的极值点集；

S105、将重构后的极值点集输入到风速数据动态筛选模型中，选取反映风速爬坡事件的风速数据，完成风速数据的重构；

S106、对重构的风速数据进行突变气象事件识别，将满足条件的风速时段视为突变气象事件，并标记为1，其他则为0；满足的条件为：其中， 表示第t时刻的实测风速值， 表示第t+q时刻的实测风速值， 表示第b时刻的实测风速值， 表示b时刻的数值天气预报风速预测值，q表示突变气象事件时段长度，λ1表示风速阈值，λ2表示风速变化率阈值，λ3表示风速误差阈值；

S2、将预处理后的风速数据定义为历史风速数据与过往风速数据两部分，其中，过往风速数据是指实时数据前p个小时内的风速数据，历史风速数据是指历史数据库中除过往风速数据之外的所有风速数据；计算过往风速数据的风速时段与历史风速数据的风速时段之间的风速相似系数，利用该系数进行相似时段匹配，得到与过往风速数据的风速时段具有相同趋势特征的历史趋同突变气象事件；具体内容为：S201、将历史风速数据以p个小时为分段间隔，r小时为分段长度进行分段，分段结果如下所示：datahistory＝{d1,d2,…,dg}

其中，datahistory表示历史风速数据，dg表示第g段的气象数据，g表示气象分段数据的总数；

S202、选取每段历史风速数据中前p个小时的风速数据作为整段历史风速的趋同气象时段匹配依据，利用基于风速相似系数的时段匹配算法进行时段匹配，得到历史趋同突变气象事件；具体内容为：S2021、计算历史风速段与过往风速段之间的风速强度差与风速趋势差，公式如下所示：其中，WindSTR表示风速强度差，WindTRE表示风速趋势差，Δt表示风速采样间隔时间，表示第a时刻的过往风速数据， 表示第a时刻的历史风速数据，c表示风速段时长， 表示第a+1时刻的历史风速数据， 表示第a+1时刻的过往风速数据；

S2022、将得到的风速强度差与风速趋势差进行归一化处理；

S2023、计算经过归一化处理的风速强度差与风速趋势差的风速相似系数，具体公式为：其中，Ω表示风速相似系数；

S2024、选取风速相似系数Ω最小的历史风速段视为历史趋同气象事件；

S3、将步骤S1与步骤S2的输出结果转为多维气象功率数据，并输入到基于注意力机制的Transformer风电功率预测模型中，完成功率预测。

2.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S104中，提取极值点包括以下子步骤：S1041、提取风速数据中的最大值Zmax、最小值Zmin与所有极值点集P＝{p1,p2,…,pn}，其中pn表示第n个极值点；

S1042、根据自适应系数并计算动态窗宽，具体计算公式为：

其中，widthdoor表示动态窗宽；表示自适应系数；

S1043、根据近邻极点间欧氏距离，将满足di＝|pi‑pi+1|＞widthdoor的极值点保留，其中，di表示两个相邻极值点之间的欧氏距离，且i＝1,2,3,…,n‑1；得到重构后的极值点集其中， 表示重构后的第m个极值点，且j＝1,2,3,…,m。

3.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S105中，重构风速数据包括以下子步骤：S1051、将预处理后的风速数据与每个风速数据的重构极值点进行计数；

S1052、计算风速数据的极点率，具体公式为：

其中，ηk表示第k个风速数据的极点率，Noriginal表示预处理后的风速数据的重构极值点总数， 表示第k个风速数据的重构极值点总数；

根据每个风速数据的极点率对风速数据进行筛选，将满足ηk≤τ的风速数据保留，得到保留的风速数据集，其中，τ表示极点率阈值；

S1053、将保留的风速数据集进行叠加完成风速数据重构，具体公式为：IMFrenewed＝sum(imfreserved)；

其中，imfreserved表示保留的风速数据集，IMFrenewed表示重构的风速数据。

4.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S3中，完成功率预测包括以下子步骤：S301、根据步骤S2中的风速相关系数选取历史趋同气象事件的相关数据，并将该数据结合过往风速数据与未来时刻风速预测数据构成多维气象功率数据；

S302、将多维气象功率数据输入到基于注意力机制的Transformer风电功率预测模型中，完成风电功率预测。

5.根据权利要求4所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S301中的相关数据包括但不限于突变气象环境标签、风速实测数据、数值天气预报数据和实测功率数据。

6.一种电子设备，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权利要求1至5中任一项所述方法的步骤。

7.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至5中任一项所述的方法。