1.一种基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，所述步骤s1中，本地数据集di包括表征风电站之间关系的图结构gi＝(vi,ei,ai)和从风电站中采集传感器数据组成的特征张量其中，vi表示节点集合，|vi|＝ni，ni为节点个数即风电站个数，ei表示边的集合，ai为图的邻接矩阵，t表示收集数据的时刻长度，c表示特征的维度。
3.根据权利要求2所述的基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，所述步骤s2中，在所述边缘特征重构网络中，采用图神经网络作为编码器进行图卷积获得特征表示，采用多层感知机mlp和高斯噪声处理生成重构特征；
4.根据权利要求3所述的基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，在所述图卷积神经网络中，每个图上的节点v，通过k阶的图卷积过程获得特征表示，其表达式为：
5.根据权利要求3所述的基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，对所述边缘特征重构网络进行本地训练的方法为：
6.根据权利要求5所述的基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，对边缘特征重构网络进行本地训练时的损失函数为：
7.根据权利要求6所述的基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，所述步骤s2中，对边缘特征重构网络进行联邦学习训练时的损失函数为：
8.根据权利要求1所述的基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，所述步骤s3中，风电功率预测模型为深度时空图神经网络；
9.根据权利要求8所述的基于边缘特征重构和联邦学习的风电功率预测方法，其特征在于，所述步骤s3中，在对风电功率预测模型进行训练时，采用fedavg算法对相邻风力发电区域的风电功率预测模型权重进行聚合，使风电功率预测模型学习区域之间的共有模式，其表达式为：