1.一种基于CNN LSTM光伏发电功率预测模由卷积层CNN、LSTM、注意力机制和全连接层构成；

所述CNN LSTM模型以t时刻的光伏发电功率时间序列P(t-size+1),P(t-size+2),...,P(t-1),P(t)，size为序列长度，预测输出t+1刻的光伏发电功率P(t+1)。

2.一种如权利要求1所述基于CNN LSTM光伏发电功率预测模型的构建方法，其特征在于，所述基于CNN LSTM光伏发电功率预测模型的构建方法包括：使用16个卷积核一维卷积层对输入的光伏发电功率时间序列进行特征提取，得到的结果再使用32个卷积核一维卷积层进行特征提取；使用深度为32的LSTM层得到LSTM隐层输出向量；使用注意力机制对LSTM隐层输出向量进行自动化关注，对其中与当前输出量显著相关的特征量赋予更大的权值；

将注意力向量展开成一维向量输入全连接层，全连接层输出预测。

3.如权利要求2所述的基于CNN LSTM光伏发电功率预测模型的构建方法，其特征在于，所述的基于CNN LSTM光伏发电功率预测模型的构建方法具体包括以下步骤：步骤一，对光伏发电功率数据进行归一化处理；

步骤二，将时间序列数据通过16个卷积核的一维卷积层，得到的结果再通过32个卷积核的一维卷积层，得到的最终结果即为提取得到的特征；

步骤三，将得到的每一维特征，放入一个含有32个LSTM的神经元，多维特征所组成的，得到LSTM隐层输出向量；

步骤三：使用注意力机制对LSTM隐层输出向量进行自动化关注，与目标值显著相关的参数自动赋予更大的权值；

步骤四，将注意力机制处理后的特征向量展开成一维向量，以符合全连接层输入的要求；

步骤五，将展开操作得到的一维向量输入全连接层，全连接层输出下一时刻光伏发电功率预测值；

步骤六，通过均方误差MSE作为损失函数；

步骤七，通过Rmsprop优化器优化整个神经网络权值，使损失函数的损失值最小化。

4.如权利要求3所述的基于CNN LSTM光伏发电功率预测模型的构建方法，其特征在于，所述步骤一中，采用以下归一化方法：其中xi为原始数据， 为归一化后的数据。

5.如权利要求3所述的基于CNN LSTM光伏发电功率预测模型的构建方法，其特征在于，所述步骤六中，通过均方误差MSE作为损失函数：其中xmodel为模型输出值，xactual为实测值。

6.一种应用权利要求1所述基于CNN LSTM光伏发电功率预测模型的光伏发电功率预测模型，其特征在于，所述光伏发电功率预测模型使用光伏电站监测系统采集的当前时刻t至t-size+1时刻的光伏发电功率时间序列作为CNN LSTM模型的输入，预测下一时刻的光伏发电功率。