1.一种基于机理和数据混合驱动神经网络预测风电功率的方法，其特征在于，所述方法包括：步骤S1、采集风力发电过程中的真实数据，并利用真实数据建立混合驱动神经网络模型的历史样本数据库；

步骤S2、对步骤S1中历史样本数据库的数据进行分析和处理，剔除含有缺失值的辅助变量；随后对数据进行光滑处理，获得光滑处理后的数据；

步骤S3、构造风电功率曲线的机理模型，用于表示风速与风电功率之间的非线性关系；

所述机理模型将轮毂高度处的风速作为输入，计算出对应风电功率，其输入和输出的关系表示为：；

其中， 表示轮毂高度处的风速； 表示切入风速； 表示额定风速； 表示切出风速； 表示不同风速条件下产生的风电功率； 表示风能利用系数； 为风机叶片扫风面积； 为空气密度； 表示额定功率；

步骤S4、在标准门控循环单元GRU的输出层增加激活函数LeakyReLU，对输出进行约束，获得改进后的GRU模型；

步骤S5、将步骤S3中机理模型和步骤S4中改进后的GRU模型进行结合，构建混合驱动神经网络模型；通过步骤S2中光滑处理后的数据对混合驱动神经网络模型进行训练，获得预测的风电功率值。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中真实数据以风电功率为目标变量。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：步骤S21、利用历史样本数据库的数据中风速和风电功率的样本值，绘制风电功率曲线；

步骤S22、对步骤S21中的风电功率曲线进行分析，获得风机实际运行参数。

4.根据权利要求3所述的方法，其特征在于，所述步骤S22包括：步骤S221、当风力发电机的第一风速对应的第一风电功率由零逐渐增大时，则第一风速为风力发电机的切入风速；

步骤S222、根据步骤S221，当风力发电机的第一风速到达第二风速时，此时对应的第二风电功率停止增大，则第二风速为风力发电机的额定风速，第二风电功率为风力发电机的额定功率。

5.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：步骤S41、建立标准门控循环单元GRU，当前时刻GRU模型有两个输入，即当前时刻的样本 和上一时刻的隐藏状态 ；

建立GRU模型的过程包括：

a、确定GRU模型的内部计算过程，其过程表达式包括：；

；

；

；

其中， 表示重置门， 为更新门， 表示当前时刻候选隐藏状态， 为当前时刻的隐藏状态， 为当前时刻的输入， 为上一时刻的隐藏状态； 表示sigmoid激活函数，是双曲正切激活函数， 表示哈达玛乘积； 和 表示重置门权重参数，和 表示更新门权重参数， 和 表示候选隐藏状态权重参数； 、 和 分别为重置门、更新门以及候选隐藏状态的阈值；

b、获取GRU模型的输出，其表达式为：

；

其中， 为输出层的权重参数， 为输出层阈值；

此时GRU模型的损失函数为均方误差 ，其表达式为：；

其中， 为样本数， 表示样本真实值， 表示样本预测值；

c、将通过均方误差 获得的误差值进行反向传播，以更新权重参数和阈值；

步骤S42、在GRU模型的输出层增加激活函数LeakyReLU，对GRU模型全连接层的输出进行约束；当GRU模型的输出值为负数时，经过激活函数LeakyReLU，则将返回一个的正数；当输入值为正数时，则返回原始的输入值；激活函数LeakyReLU的表达式为：；

其中， 为激活函数LeakyReLU的超参数；

步骤S43、利用激活函数LeakyReLU改进GRU模型，确定改进后的GRU模型的最终输出，其表达式为：；

步骤S44、利用损失函数Huber作为改进后的GRU模型的损失函数，其损失函数Huber的表达式为：；

其中，为真实值， 为预测值， 为损失函数Huber的超参数；当预测误差小于 时，采用均方误差；当预测误差大于 时，采用平均绝对误差；

步骤S45、通过交叉验证确定最佳 和 ；并通过损失函数Huber获得的误差值进行反向传播，以更新权重参数和阈值。

6.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：利用步骤S3确定的机理模型，以风速作为输入，根据机理模型输入输出关系，得到功率输出值；将功率输出值作为辅助变量，并结合步骤S2中光滑处理后的数据，将两者结合后共同作为输入，对改进后的GRU模型进行训练，获得预测的风电功率值。