1.一种基于图卷积神经网络的风电功率预测方法，其特征在于，包括：对风电数据进行采样构建样本集，使用风电预测模型对样本集进行风电功率预测，其中，风电预测模型包括时序卷积神经网络层和以风电图数据结构图为基础的图卷积神经网络层；风电图数据结构为节点包含外界交互的全连接有向图结构；获取区域内各个风电站的经纬度，根据经纬度，计算风电站之间的距离，根据风电站的距离，构建风电图数据结构；依据风电图数据结构构建距离倒数矩阵，依据距离倒数矩阵构建图卷积神经网络层；距离倒数矩阵 D(i,j) 为节点间的距离倒数信息，使用 描述第 i 节点与第 j 节点之间的距离，距离倒数矩阵 D(i,j) 对角线元素为0，非对角线元素为节点间距离的倒数 ； i= 1,2,……N， j =1,2,……N；获取各个风电站的历史风电功率实测数据，以 L 步历史数据作为预测输入信息、 K 步后的实测数据作为预测目标信息，构建样本集；考虑区域内有 N 个风电站，风电站 i 在 t 时刻的风电出力记为 ；以 L 步长历史数据作为预测输入信息，对 K 步后的风电站出力值进行预测；输入信息为 N 个风电站从( t-L+ 1)时刻至 t 时刻的历史风电功率值；目标信息为N个风电站在( t+K )时刻的风电功率预测值；一组目标信息与输出信息构成一个样本，通过对 N 个风电站的历史风功率实测数据进行平移采样获得众多样本，构建样本集；图卷积神经网络层的数学表达式为：式中 为图卷积核信号， 为输入信息， 为卷积核参数； 与 为自适应参数矩阵， D(i,j) 为距离倒数矩阵；时序卷积神经网络层的数学表达式为：式中 为时序卷积核信号， 为输入信息， k 为卷积核的长度， t 为时间，s为可变的参数，s=0,1,2，……， k -1；风电预测模型包括至少三个时空卷积层，每个时空卷积层由一层图卷积神经网络层与一层时序卷积神经网络层结合形成，除末端的时空卷积层，其他的每个时空卷积层均采用了残差网络连接；每个时空卷积层的输出均被提取，最后将所有时空卷积层的输出值进行叠加作为风电预测模型的输出值；风电预测模型的损失函数如下：式中 N 为区域内风电站数量， 为预测模型对风电站i的预测值， 为风电站i的预测目标信息。
2.一种基于图卷积神经网络的风电功率预测系统，其特征在于，包括：预测模块，对风电数据进行采样构建样本集，使用风电预测模型对样本集进行风电功率预测，其中，风电预测模型包括时序卷积神经网络层和以风电图数据结构图为基础的图卷积神经网络层；风电图数据结构为节点包含外界交互的全连接有向图结构；获取区域内各个风电站的经纬度，根据经纬度，计算风电站之间的距离，根据风电站的距离，构建风电图数据结构；依据风电图数据结构构建距离倒数矩阵，依据距离倒数矩阵构建图卷积神经网络层；距离倒数矩阵 D(i,j) 为节点间的距离倒数信息，使用 描述第 i 节点与第 j 节点之间的距离，距离倒数矩阵 D(i,j) 对角线元素为0，非对角线元素为节点间距离的倒数 ； i= 1,2,……N， j =1,2,……N；获取各个风电站的历史风电功率实测数据，以 L 步历史数据作为预测输入信息、 K 步后的实测数据作为预测目标信息，构建样本集；考虑区域内有 N 个风电站，风电站 i 在 t 时刻的风电出力记为 ；以 L 步长历史数据作为预测输入信息，对 K 步后的风电站出力值进行预测；输入信息为 N 个风电站从( t-L+ 1)时刻至 t 时刻的历史风电功率值；目标信息为N个风电站在( t+K )时刻的风电功率预测值；一组目标信息与输出信息构成一个样本，通过对 N 个风电站的历史风功率实测数据进行平移采样获得众多样本，构建样本集；图卷积神经网络层的数学表达式为：式中 为图卷积核信号， 为输入信息， 为卷积核参数； 与 为自适应参数矩阵， D(i,j) 为距离倒数矩阵；时序卷积神经网络层的数学表达式为：式中 为时序卷积核信号， 为输入信息， k 为卷积核的长度， t 为时间，s为可变的参数，s=0,1,2，……， k -1；风电预测模型包括至少三个时空卷积层，每个时空卷积层由一层图卷积神经网络层与一层时序卷积神经网络层结合形成，除末端的时空卷积层，其他的每个时空卷积层均采用了残差网络连接；每个时空卷积层的输出均被提取，最后将所有时空卷积层的输出值进行叠加作为风电预测模型的输出值；风电预测模型的损失函数如下：式中 N 为区域内风电站数量， 为预测模型对风电站i的预测值， 为风电站i的预测目标信息。
