1.基于机器学习算法的风力发电场发电量预测方法，其特征在于包括以下步骤：步骤1：获取并输入气象历史数据，得到能够表征气象数据特征的向量；

步骤2：用循环高速网络训练和学习气象数据特征序列中变量之间与时间序列相关的特征；

步骤3：经过循环高速通路网络编码器的编码操作以及通过多层时空注意力机制在不同维度对特征向量进行重新筛选，分别得到时间维注意力向量和网络层次维注意力向量；

步骤4：获取并输入风力发电量历史数据，通过循环高速通路网络解码器的解码操作，经全链接层维度匹配，得到风力发电量的预测结果；

步骤5：计算风力发电量预测结果的置信区间。

2.如权利要求1所述的基于机器学习算法的风力发电场发电量预测方法，其特征在于步骤1的具体操作过程包括如下步骤：步骤1.1获取气象历史数据，得到能输入卷积神经网络进行特征提取的气象历史数据n序列：(x1,x1,…,xt,…,xT‑1)，其中，t∈{1,2,...,T‑1}，xt∈R ，为t时刻n维气象实向量数据，T为待预测目标所在时间序列；

步骤1.2将以上序列输入卷积神经网络经卷积运算处理后得到可以表征气象数据特征m的序列(w1,w2,…,wt,…,wT‑1)，其中，wt∈R，为处理后t时刻m维表征气象特征实向量数据。

3.如权利要求2所述的基于机器学习算法的风力发电场发电量预测方法，其特征在于步骤2的具体操作过程包括如下步骤：用s'＝S'(w,WS')、t'＝T'(w,WT')和c'＝C'(w,WC')分[t]别表示经非线性转换tanh函数S’、sigmoid函数T’和sigmoid函数C’作用转换后的输出，w为t时刻输入的气象特征向量，则循环高速通路网络内部隐藏的状态更新为其中， 表示第k层t时刻循环高速通路网络单元输出的l维隐藏状态向量，k∈{1,

2,...K}，K为网络层数，并规定在k＝0时l×m l×l l

其中，WS',WT',WC'∈R 、RS'k,RC'k,RT'k∈R 和bHk,bC'k,bT'k∈R分别表示第k层S’、T’和[t]C’转换的权重矩阵以及偏置单元，用指示函数I{·}表示特征向量w 仅在循环高速通路网络的第1层参与运算， 表示保留所有原始输入信息， 表示转换所有输入信息。

4.如权利要求3所述的基于机器学习算法的风力发电场发电量预测方法，其特征在于步骤3的具体操作过程包括如下步骤：步骤3.1采用时空注意力机制对不同的编码特征进行筛选，得到时间维注意力向量：令解码器在第T‑1时刻、第k层的隐藏状态向量为 对DT‑1作变形操作后得查询向量Query1，它与编码器在第t时刻、第k层的隐藏向量 间的注意力权重表示为p l l×p l×l其中，Query1∈R ，Vk∈R ，T'k∈R ，Uk∈R ，Vk、T’k和Uk分别为第k层非线性变换矩阵，p为查询向量维度，经归一化处理后注意力权重表示为得第k层时间维局部注意力向量为

将各层局部注意力向量作拼接处理，可得时间维的注意力向量为步骤3.2采用时空注意力机制对不同的编码特征进行筛选，得到网络层次维注意力向量：对解码器在第T‑1时刻、第k层的隐藏状态向量 作reshape操作后得查询向量Query2，它与 间的注意力权重表示为p l l×p l×l

其中Query2∈R ，Vt∈R ，T't∈R ，Ut∈R ，Vt、T’t和Ut分别为第t时刻非线性变换矩阵，经归一化处理后注意力权重表示为可得第t时刻网络层次维局部注意力向量为

将各层局部注意力向量作拼接处理，可得网络层次维注意力向量为

5.如权利要求4所述的基于机器学习算法的风力发电场发电量预测方法，其特征在于步骤4的具体操作过程包括如下步骤：步骤4.1获取并输入风力发电量历史数据，得到发电量数据序列：(y1,y2,…,yt,…,yT‑1)

步骤4.2，通过全连接层对时间维和网络层次维注意力向量以及风力发电量历史数据作维度匹配，得到表征向量其中， 和 表示全连接层权重矩阵，d为权重矩阵维度，为偏置单元；

步骤4.3，更新编码器隐藏状态向量：

将所得 作为第k层循环高速通路网络的输入，更新编码器状态向量为其中，

其中， 分别表示编码器阶段循环高速通路网络不同层的权重矩阵， 表示不同偏置单元，q为权重矩阵维度，步骤4.4，得到和输出T时刻风力发电量的预测结果：其中， 为解码器第K层在T‑1时刻的隐藏状态向量，W,V,H表示可以学习的权重矩阵，b为偏置单元。

6.如权利要求5所述的基于机器学习算法的风力发电场发电量预测方法，其特征在于步骤5的具体操作过程为随机变量Y的分布函数若满足F(y)＝P(Y≤y)，则其第τ分位数可定义为Q(τ)＝inf{y:F(y)≥τ},τ∈(0,1)用pinball损失函数最小为指标，通过神经网络反向传播方法对分位数回归模型进行优化得其中，N为所预测分位点水平个数，Xi为密度函数f(x)的样本，i＝1,2,…,N，为不同分位点的输出值，通过在学习过程中不断调整W以及b的值测算在不同分位点τ处解释变量对响应变量条件分位数的影响，得到最优参数向量 和 之后，Y的最优估计值为将上面得到的风力发电量预测值在不同分位点下的分位数作为高斯核的输入，选择适当窗宽即得到概率分布估计为其中，h为窗宽，高斯核函数K(·)表示为