1.一种基于CNN‑LSTM及深度学习的时空组合预测方法，其特征在于，包括如下步骤：S1、通过MI互信息算法对原始数据集的时间和空间相关性进行分析，消除数据间的冗余信息，对原始数据进行降维；

S2、建立MI‑CNN‑LSTM模型，对步骤S1降维后的数据进行预测，其中，CNN网络用于提取各站点空间信息，LSTM网络用于获取时间序列数据间的依赖信息；

S3、在LSTM网络的LSTM层与输出层之间增加AT层，得到MI‑CNN‑ALSTM模型，并对训练集数据进行模型学习；

S4、引入PSO算法对训练参数寻优，得到MI‑CNN‑ALSTM‑PSO模型；

S5、通过MI‑CNN‑ALSTM‑PSO模型对测试集进行预测，得到最终的预测值。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，原始数据集是采集的过去t小时内n个站点的m维特征的风电数据，表示为：

1 2 m n×t n×m×t

X＝(X，X ,...,X) ＝(X1，X2,...,Xt)∈R上式中，n为观测站点编号，t为观测时间序列的窗口长度，m为数据特征维度；

则t时刻特征数据描述为：

上式中，WP为风电功率，WS为风速，WD为风向，TE为温度，PA为气压，DE为空气密度，i为站点编号。

3.根据权利要求2所述的方法，其特征在于，步骤S2中，将n个站点的m维特征数据组成n行m列矩阵，并将t个时刻的矩阵构造为时间分布层；

CNN网络的输入层维度为n×m×t，卷积层特征图的输出 为：上式中，Xi+n,j+m是输入矩阵的第n行m列的值，fcov(.)是选择激活函数，wn,m为卷积核n行m列的权重，bn,m是卷积核偏差，k为滑动窗口大小，输入矩阵使用多个卷积核进行卷积操作；

CNN池化层通过滤波器和滑动窗口步长进行降维下采样，再通过展平层将数据展平为一维阵列 其中 作为时间序列输入到LSTM网络的LSTM层。

4.根据权利要求3所述的方法，其特征在于，步骤S2中，LSTM网络内部包括三个门结构和一个用于存储记忆的状态模块；

设Ct为本LSTM单元存储的状态信息，xt为输入层的输入，ht为本单元隐含层的输出，ft为遗忘门，it为输入门， 为当前时刻信息，ot为输出门，“×”表示矩阵元素相乘，“+”表示相加运算，σ为sigmoid函数；

遗忘门：用于控制上一单元状态Ct‑1被遗忘的程度，其表达式如下：ft＝σ(Wf*[ht‑1,xt]+bf)输入门：用于控制哪些信息被加入到本单元中，其表达式如下：it＝σ(Wi*[ht‑1,xt]+bi)单元存储的状态信息：用于根据ft和it将新信息有选择的记录到Ct中，其表达式如下：输出门：用于将Ct激活，并控制Ct被过滤的程度，其表达式如下：ot＝σ(Wo*[ht‑1,xt]+bo)ht＝ot*tanh(Ct)

其中，Wf、Wi、 Wo分别为ft、it、 ot对应的权重矩阵，bf、bi、 bo分别为ft、it、ot对应的偏置项，tanh为双曲正切激活函数，定义如下：‑x

σ(x)＝1/(1+e )

x ‑x x ‑x

tanh(x)＝(e‑e )/(e+e )传统的LSTM网络结构包括输入层、LSTM层和输出层，输出层则依据下式将ht经过一个全连接层得到最终预测值yt：

yt＝σ(Wy*ht+by)

上式中，Wy和by分别为权重矩阵和偏置项。

5.根据权利要求4所述的方法，其特征在于，步骤S3中，在LSTM网络的LSTM层与输出层之间增加AT层之后，通过下式得到注意力机制矢量Gt：上式中， 为softmax激活函数，Wh为权重向量，bh为偏置项；

依据下式将Gt与ht作元素乘，得到AT层的输出根据步骤S2中的yt＝σ(Wy*ht+by)，将 作为后续LSTM输出层的输入，并得到预测值yt：

6.根据权利要求1所述的方法，其特征在于，步骤S4具体包括如下步骤：S41、初始化：随机初始化粒子参数Pξ，并定义初始种群的粒子，赋予其初始速度和位置；

S42、迭代：每个粒子在探索空间中单独的搜寻最优解，将其记录为当前个体极值，迭代函数如下：

vξ+1＝vξ+c1*rand()*(pbestξ‑xξ)+c2*rand()*gbestξ‑xξ)xξ+1＝xξ+vξ+1

上式中，vξ是第ξ次迭代的速度，c1和c2是学习因子，rand()是介于(0,1)之间的随机数，粒子通过追寻局部最优解pbest(Pξ)和全局最优解gbest(Pξ)来确定后续位置，xξ是第ξ次迭代的位置；

S43、寻优：每个粒子单独进行寻优，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解；

S44、评估：每次迭代过程均对组合模型进行训练并计算出预测值及评价指标RMSE；

S45、停止迭代：MI‑CNN‑ALSTM‑PSO模型在搜索过程中达到最大迭代次数且满足RMSE最优则停止，否则返回步骤S42继续更新粒子。