1.一种基于Transformer自注意力机制的交直流混联电网紧急控制方法，其特征在于，包括以下步骤：
步骤一、数据采集及预处理
采集历史电气数据，并对数据进行预处理；
步骤二、利用预处理后的数据对Transformer神经网络模型预训练；
步骤三、用步骤二预训练好的Transformer神经网络模型对实际电力系统中故障切除后数据进行稳定性预测，如果判断结果为不稳定，通过切机措施实现交直流电网紧急控制处理。
2.如权利要求1所述的一种基于Transformer自注意力机制的交直流混联电网紧急控制方法，其特征在于，步骤一中，采集历史电气数据，并对数据进行预处理具体包括以下步骤：
通过电力系统监测设备采集故障发生前一周波t0至故障切除后一周波tc的连续时间段内交直流混联电网每个发电机组的功角、电压、有功和无功数据，得到连续的时间序列数据；
对连续的时间序列数据预处理，从而进行模型训练任务。
3.如权利要求2所述的一种基于Transformer自注意力机制的交直流混联电网紧急控制方法，其特征在于：对连续的时间序列数据预处理，从而进行模型训练任务，具体包括以下步骤：
A1、时间序列数据离散化：将连续的时间序列数据离散化成故障发生前一周波t0、故障发生时tf和故障清除后一周波tc的数据；
A2、稳定性判别：对离散后的数据进行稳定性判别，得到稳定与否状态标签，稳定标记为1，不稳定标记为0；
A3、数据标准化：对离散化后的数据进行均值归一化处理，以消除属性量纲的差异影响。
4.如权利要求3所述的一种基于Transformer自注意力机制的交直流混联电网紧急控制方法，其特征在于：步骤A2中的稳定性判别依据为电力系统中任意发电机组的功角差是否大于360度，大于则判为失稳，否则判为稳定。
5.如权利要求1～4任意一项所述的一种基于Transformer自注意力机制的交直流混联电网紧急控制方法，其特征在于，步骤二中，具体包括以下步骤：
B1、设定超参数
确定批次大小及隐藏层数，设置批次为400；确定隐藏层数为6层；确定头数为8，初始学习率为0.05；
B2、数据降维
采用1×1卷积将标准化后的功角、电压、有功、无功4通道数据降维为单通道数据Gi＝[Vi,Pi,Qi,Ai]，Gi表示ti时刻的发电机特征值,Vi,Pi,Qi,Ai分别表示ti时刻发电机的母线电压，有功、无功输出和功角大小；
B3、模型训练
T
将降维处理后的数据转化为输入序列Di＝[ti,Gi,S]输入到Transformer神经网络模型Embedding层中，其中Di表示在ti时刻的输入序列，S表示ti时刻的系统稳定状态；
采用交叉熵损失函数作为损失函数，并对损失函数进行L2正则化以避免过拟合现象，Transformer分类层Softmax函数的输出值为 即为Transformer神经网络模型对输入序列的预测值，ys代表A2步骤中的稳定与否状态标签，通过不断降低整体的损失函数值来提高模型预测精度，并使用Adam优化器调节学习率来加速训练；
损失函数L：
式中：W表示网络中所有权重参数，α为L2正则化项的惩罚因子
完成训练后的模型能够根据输入序列输出一个预测值 该值即为模型对当前输入序列暂态稳定性的判断值。
6.如权利要求5所述的一种基于Transformer自注意力机制的交直流混联电网紧急控制方法，其特征在于，步骤三具体如下：
C1:稳定状态预测
当电力系统发生新的故障时，将经过步骤一得到的数据输入到步骤二预训练好的Transformer神经网络模型中进行稳定性判断得到预测值 对步骤B3得到的预测值 当判断为不稳定，执行C2步骤，反之为稳定，不执行操作；
C2:紧急控制策略：
根据训练好的Transformer模型对C1的数据评估得到的注意力分布，找到注意力分布最集中的发电机组，即识别与其他发电机组失去同调性的机组，对该发电机组进行切机处理。