1.一种基于大数据的风电场发电功率预测方法，其特征在于，包括：S1：获取风电场数据并对其进行预处理，得到预处理好的风电场数据；其中，风电场数据包括历史气象数据、未来气象数据和发电出力时序数据；

S2：对风电场数据中的离散特征进行嵌入处理即通过Embedding进行映射，得到嵌入特征；拼接嵌入特征和风电场数据中的连续特征，得到拼接特征；

S3：采用Overlapping Patch技术对拼接特征进行分块化处理，得到风电特征；

S4：采用训练好的风电场发电功率预测模型对风电特征进行处理，得到风电场发电功率预测结果；风电场发电功率预测模型对风电特征进行处理的过程包括：S41：采用SCTConv模块对风电特征进行处理，得到SCTConv模块输出特征图；SCTConv模块对风电特征进行处理的过程包括：对风电特征进行组归一化和加权处理，得到第一特征图；

根据预设置的门控阈值将第一特征图划分为信息部分和非信息部分；

对信息部分和非信息部分进行重构，得到两个重构信息部分和两个重构非信息部分；

将两个重构信息部分相加后通过线性层，得到新重构信息部分；将两个重构非信息部分相加后通过线性层处理，得到新重构非信息部分；

拼接两个新重构信息部分，并与两个新重构非信息部分拼接后的结果相加；将相加后的特征图通过线性层处理，得到第二特征图；

对第二特征图进行全局平均池化和卷积操作，得到通道注意力权重向量；根据通道注意力权重向量对第二特征图进行处理，得到SCTConv模块输出特征图；

S42：使用PTransFormer模块对SCTConv模块输出特征图进行时序特征提取，得到综合特征图；PTransFormer模块对SCTConv模块输出特征图进行时序特征提取的过程包括：根据SCTConv模块输出特征图计算Query值、Key值和Value值；根据Query值和Key值计算注意力分数矩阵；

对注意力分数矩阵进行稀疏处理，得到稀疏注意力分数矩阵；

根据SCTConv模块输出特征图、Value值、Query值和稀疏注意力分数矩阵计算得到综合特征图；

S43：将综合特征图输入到特征解码模块中进行处理，得到解码特征；特征解码模块对综合特征图的处理过程包括：对综合特征图进行一次卷积操作，得到第一空间特征，对综合特征图进行两次卷积操作，得到第二空间特征；

对第一空间特征和第二空间特征进行卷积操作后再进行拼接，分别计算拼接结果的平均值和极差值；

根据拼接结果的平均值和极差值计算注意力权重；

将注意力权重分别与第一空间特征和第二空间特征相乘，将相乘后的结果通过一个卷积操作，得到解码特征；

S44：采用Enhance模块对解码特征进行处理，得到增强解码特征；

S45：将增强解码特征输入到DNN预测模块中进行处理，得到风电场发电功率预测结果。

2.根据权利要求1所述的一种基于大数据的风电场发电功率预测方法，其特征在于，所述步骤S1中，历史气象数据包括历史风速、历史风向、历史温度、历史气压、历史湿度、历史降水量、历史云量和历史太阳辐射；未来气象数据包括预报风速、预报风向、预报温度、预报气压、预报湿度、预报降水量和预报云量；发电出力时序数据包括发电功率、涡轮机状态、负荷需求、涡轮机效率、故障记录数据、维护记录数据、电网调度指令和涡轮机转速。

3.根据权利要求1所述的一种基于大数据的风电场发电功率预测方法，其特征在于，对信息部分和非信息部分进行重构的公式为：其中，x11和x12分别表示第一和第二重构信息部分，x21和x22表示第一和第二重构非信息部分，x1表示信息部分，x2表示非信息部分，size(x)表示x的通道数量，dim＝1表示第1个维度。

4.根据权利要求1所述的一种基于大数据的风电场发电功率预测方法，其特征在于，计算注意力分数矩阵的公式为：其中，AttScore表示注意力分数矩阵，xc表示SCTConv模块输出特征图，WK表示被查询向量权重，WQ表示查询向量权重，d表示数据维度，Linear()表示线性层，Q表示Query值，K表示Key值。

5.根据权利要求1所述的一种基于大数据的风电场发电功率预测方法，其特征在于，计算综合特征图的公式为：其中，xd表示综合特征图，xc表示SCTConv模块输出特征图，SparseAttScore表示稀疏注意力分数矩阵，V表示Value值，AttScore表示注意力分数矩阵，Q表示Query值，ReLu()表示ReLu激活函数。

6.根据权利要求1所述的一种基于大数据的风电场发电功率预测方法，其特征在于，Enhance模块对解码特征进行处理的公式为：xf＝ReLu(Conv(ReLu(Conv(xe))))Z1＝MaxPool(xf,2)

z2＝MaxPool(xf,4)

z1′＝UpSample(ReLu(Conv(z1)))

z2′＝UpSample(ReLu(Conv(z2)))

xf′＝Concat(z1′,z2′,xf)

xg＝LeakyReLu(ReLu(Conv(xf′))+xe)其中，xe表示解码特征，Conv()表示卷积操作，MaxPool()表示最大池化操作，ReLu()表示ReLu激活函数，UpSample()表示上采样操作，Concat()表示拼接操作；xf、z1、z2、z1′、z2′和xf′分别表示第一、第二、第三、第四、第五和第六中间参数；LeakyRelu()表示LeakyReLu激活函数，xg表示增强解码特征。