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；

其中，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：X＝(X

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；

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C

遗忘门：用于控制上一单元状态Cf

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：i

单元存储的状态信息：用于根据f输出门：用于将C

h

其中，W

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hy

上式中，W

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G上式中，

依据下式将G

根据步骤S2中的y

2.根据权利要求1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上式中，X

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

3.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PS42、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：x

上式中，v

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。