1.一种基于混合模型的海上风电机组功率预测的方法，其特征在于，包括：S1、获取历史机组数据采集与控制系统数据，所述历史机组数据采集与控制系统数据包括：海上风电机组功率数据、平均风速、平均发电机转速、平均湿度、平均温度、转向角和机组偏航次数，对历史机组数据采集与控制系统数据进行预处理；S2、通过Python导入依赖的包，将海上风电机组功率数据进行读取并可视化展示，通过自相关函数绘制自相关图和偏自相关图，并进行平稳性检验；S3、对海上风电机组功率数据存在季节性特性进行平稳性分析后进行差分和季节性差分运算确定第一SARIMA模型参数，通过自相关图和偏自相关图确定第二SARIMA模型参数；S4、基于第一SARIMA模型参数和第二SARIMA模型参数建立SARIMA模型，基于SARIMA模型对预处理后的海上风电机组功率数据进行拟合分析得到拟合结果和对应残差值，并利用Ljung-Box方法对残差进行白噪声检验；S5、将预处理后的机组数据采集与控制系统数据进行归一化处理，将归一化处理后的数据输入随机森林模型进行训练得到训练好的随机森林模型；S6、利用训练好的随机森林模型对海上风电机组SCADA数据进行因素选择得到选择结果，选择结果包括海上风电机组功率的影响因素数量和所占比重；S7：将SARIMA模型得到的海上风电机组功率拟合值和残差值以及随机森林模型得到的海上风电机组功率影响因素选择结果和海上风电机组有功功率数据进行拼接得到时序数据，将时序数据进行归一化得到归一化数据；S8：构建BIGRU循环神经网络模型，将归一化数据输入结合注意力机制的BIGRU循环神经网络进行训练，得到训练好的结合注意力机制的BIGRU循环神经网络模型；S9：利用训练好的BIGRU循环神经网络对待预测海上风电机组功率数据进行预测得到输出特征，将输出特征进行反归一化处理得到海上风电机组预测功率数值。
2.根据权利要求1所述的方法，其特征在于，所述对历史机组数据采集与控制系统数据进行预处理具体包括：对历史机组数据采集与控制系统进行数据划分、时间序列处理和标准化处理。
3.根据权利要求2所述的方法，其特征在于，所述S3具体包括：对海上风电机组功率数据存在季节性特性，进行平稳性分析后进行差分和季节性差分运算确定季节性差分阶数和差分阶数，通过自相关图和偏自相关图确定季节性自回归参数、季节性移动平均阶数、自回归参数和移动平均阶数。
4.根据权利要求3所述的方法，其特征在于，所述S4具体包括：基于季节性差分阶数和季节性自回归参数建立SARIMA模型，所述SARIMA模型如下： 其中，S为季节性周期长度； 代表季节性P阶自回归算子，Θ q (B S )μ t 表示季节性Q阶移动平均算子；P代表季节性自回归参数；D是季节性差分阶数；Q代表季节性移动平均阶数，p代表自回归参数；d是季节性差分阶数；q代表季节性移动平均阶数；基于SARIMA模型对预处理后的海上风电机组功率数据进行拟合分析得到拟合结果和对应残差值，并利用Ljung-Box方法对残差进行白噪声检验。
5.根据权利要求4所述的方法，其特征在于，所述S6具体包括：采用随机有放回的方式抽取样本生成子数据集；分别在生成子数据集上独立地训练各个子决策树，其中，在训练子决策树时，利用特征信息选取最优划分特征，具体为通过基尼不纯度得到平均不纯度减少值来选择最优划分特征，其中，平均不纯度减少值计算公式为：T为某个时间的结果总和，P i 为某一事件的概率；采用袋外错误率进行验证与分析，最终得到训练好的随机森林模型。
6.根据权利要求5所述的方法，其特征在于，所述将时序数据进行归一化得到归一化数据，归一化公式如下：其中x0为原始数据，x为归一化后的数据，x min 为样本最小值，x max 为样本最大值。
7.根据权利要求6所述的方法，其特征在于，所述构建BIGRU循环神经网络模型具体包括：S61：构建输入层和输出层，其中输入层的节点数与待输入时序数据的特征属性相同，输出层包含拟合结果与预测结果，拟合结果用于计算拟合误差，预测结果为海上风电机组时序预测结果；S62：构建隐藏层，所述隐藏层为采用GRU细胞搭建的循环神经网络层；S63：将得到拟合结果、预测结果和历史海上风电机组功率数据作为训练数据，进行参数寻优，确定隐藏层采用3层神经网络结构，其中一层为循环BIGRU神经网络层，一层为Attention层，第三层为Dense层，确定训练次数；定义损失函数，梯度下降方式采用adam下降方法，得到训练好的BIGRU循环神经网络模型。
8.根据权利要求7所述的方法，其特征在于，所述隐藏层为采用GRU细胞搭建的循环神经网络层具体包括：采用GRU细胞搭建单层循环神经网络结构，GRU细胞包含了更新门、重置门和输出门门控结构，更新门用于控制隐藏状态的更新，重置门决定是否忽略之前的隐藏状态，将t时刻的输入x t 和t-1时刻的输出h t-1 一起输入细胞进行计算；依次的前向传播计算公式如下：h t-1 表示上一时刻的隐层信息，x t 表示当前输入向量，σ为sigmoid函数，W xu 和W xr 分别为重置门和更新门的权重矩阵；⊙为点乘运算。
9.根据权利要求8所述的方法，其特征在于，所述将归一化数据输入结合注意力机制的BIGRU循环神经网络进行训练具体包括：前向传播计算BIGRU细胞输出；反向计算每个BIGRU细胞的误差项，按照时间和网络层级两个方向反向传播；再根据相应的误差项，计算每个权重的梯度；基于梯度的优化算法更新权重，其中选用平均绝对误差作为误差计算方式，训练过程中的损失函数为：
10.一种基于混合模型的海上风电机组功率预测的装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的基于混合模型的海上风电机组功率预测的方法的步骤。
