1.基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，其特征在于，先后利用独立稀疏堆叠自编码器ISSAE1、ISSAE2对空间多维风电功率数据集、预测功率的影响因素降维，对降维后的功率特征独立并行预测，再对低维预测数据进行解码重构，得到各风电场的功率预测结果，所述风电场超短期功率预测方法包括以下步骤，步骤1：采集多座风电场多个时刻的历史功率观测数据集；

步骤2：利用独立稀疏堆叠自编码器ISSAE1对步骤1得到的空间多维风电功率数据集进行降维，得到降维的历史特征数据，再结合气象信息，共同作为预测功率的影响因素，利用独立稀疏堆叠自编码器ISSAE2对预测功率的影响因素进一步降维得到低维特征；

步骤3：从步骤2得到的低维特征中选出独立特征，并利用具有动态映射能力的神经网络进行预测，得到风电场功率的低维预测数据；

步骤4：利用独立稀疏堆叠自编码器ISSAE1的解码器对步骤3得到的低维预测数据进行解码重构，得到各风电场的功率预测结果。

2.根据权利要求1所述的基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，其特征在于，独立稀疏堆叠自编码器ISSAE1包括降升维码器AE1、降维编码器AE2；独立稀疏堆叠自编码器ISSAE2与独立稀疏堆叠自编码器ISSAE1的结构相同。

3.根据权利要求2所述的基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，其特征在于，步骤3的神经网络为Elman神经网络。

4.根据权利要求3所述的基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，其特征在于，步骤2包括以下子步骤：步骤2.1：输入m座风电场N个时刻的历史功率观测样本集PN×m＝[P1,P2,…,Pm]N，其中P1,P2,…,Pm分别表示1,2,…,N观测时刻对应的m维风电功率样本向量；

步骤2.2：采用独立稀疏堆叠自编码器ISSAE1对历史功率观测样本集进行降维编码；

步骤2.2.1：针对空间多维风电功率数据矩阵PN×m，通过升维编码器AE1非线性映射到M维高维空间的 后，再通过降维编码器AE2提取r维的低维特征 其中M>>m，r<

步骤2.2.2：初步选择影响功率预测的影响因素，进一步提取独立特征，以第i维功率特(2)

征Fi 预测为例，i∈{1,2,...,r}，选取预测时刻前h相关时刻的历史数据 和(2)

预测时刻的气象信息S共同作为功率预测的影响因素，组成第i维功率特征Fi 预测模型的初选输入变量：

式中J表示影响因素的数量；Zi＝{FHi,S}＝{z1,z2,...,zJ}i利用独立稀疏堆叠自编码器ISSAE2对初选输入变量Zi提取J'维的低维特征：Z′i＝{z′1,z′2,...,z′J′}i式中J'表示独立特征的数量，J'<

5.根据权利要求4所述的基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，其特征在于，步骤3包括以下子步骤：(2)

步骤3.1：分别计算各个低维特征与Fi 之间的最大互信息相关系数；按最大互信息相(2) (2)

关系数由大到小的顺序优选出与Fi 相关性最强的前J”个特征组成Fi 预测模型的输入Z″i＝{z″1,z″2,...,z″J″}i，J″表示强影响因素特征的数量；

(2)

步骤3.2：以Z″i为输入，Fi 为输出建立具有动态映射能力的Elman神经网络，分别对r(2)

维功率特征Fi ,i∈[1,...,r]独立并行预测，预测结果经过重新组合，得到r维功率特征的预测结果

6.根据权利要求5所述的基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，其特征在于，对升维编码器AE1采用稀疏化计算来抑制隐含层的神经元状态，并消除提取特征之间的相关性，具体包括：

1)引入平均激活量

(1)

其中，e∈[1,...,m]，j∈[1,...,M]，xe表示第e个输入值，Fj 表示第j维功率特征；

在损失函数中引入Kullback‑Leible散度惩罚项来保证 不断逼近ρ：式中 表示平均激活量 与ρ的接近程度，二者越接近， 越小；ρ为接近于零的常数；

2)在降维编码器AE2的编码过程采用pureline线性激活函数，将 的协方差矩阵特征(2)

分解后，提取特征值最大的r个特征向量组成Vr×M作为权重W1 的初始值；

3)在独立稀疏堆叠自编码器的微调训练损失函数中引入线性无关惩罚项：式中Ω表示不同维特征之间样本协方差的方均值，用来衡量不同维特征之间的总体线性相关程度；

加入稀疏性及线性无关惩罚后的损失函数为：式中 表示损失函数；P表示模型输入的空间多维风电功率数据集， 表示测试风电场的功率预测结果，λ表示防止过拟合的正则项，β表示稀疏惩罚项，α表示线性无关惩罚(l)

项的权重系数；L表示自编码器的堆叠层数；ω 表示l层所有的参数；M表示隐含层神经元数。