1.一种基于在线学习的光伏出力预测方法，其特征在于，包括调度中心、边缘计算平台和云端平台，所述调度中心包括统筹协调模块、模型训练模块以及两个判断模块；所述方法包括如下步骤：

步骤1：在设定时间跨度范围T1内以设定的时间间隔t获取历史数据；

步骤2：对步骤1获取的历史数据进行预处理以获取初始数据；

步骤3：使用步骤2获取的初始数据搭建、训练神经网络模型获取初始模型；

步骤4：步骤3获取的初始模型置于边缘计算平台中；

步骤5：边缘计算平台获取实时数据进行时间序列预测，边缘计算平台将实时数据及预测结果上传至云端；

步骤6：开始预测后，间隔时间T2调度中心获取时间跨度范围T2内以设定的时间间隔t的数据，统筹协调模块将已有的旧数据与新获得的数据结合构成新数据集；

步骤7：使用步骤6获得的新数据与已有的[0,T1]时段内的历史数据，模型训练模块对旧模型进行继续训练得到新模型；

步骤8：判断模块一对步骤7得到的新模型进行评估，若新模型性能优于旧模型时将新模型写入边缘计算平台中；若新模型性能劣于旧模型则不将新模型写入边缘计算平台中，循环步骤5～步骤9。

2.根据权利要求1所述的一种基于在线学习的光伏出力预测方法，其特征在于：所述步骤1中，历史数据包括：光伏功率数据、太阳辐射度、温度、降雨量、风速数据。

3.根据权利要求1所述的一种基于在线学习的光伏出力预测方法，其特征在于：所述步骤2中包括如下具体步骤：

步骤2‑1：数据缺失处理：对数据缺失的时刻采用线性插值法进行填充；

步骤2‑2：数据异常处理：对明显超出正常范围或传感器量程的数据采用线性插值法替代异常值；

步骤2‑3：数据标准化处理：采用标准差标准化；

其中，n为初始数据沿时间轴的个数，xi为第i个数据；

步骤2‑4：数据集划分：把处理后的数据按时间序列长度的80％划分为训练集，20％为测试集。

4.根据权利要求1所述的一种基于在线学习的光伏出力预测方法，其特征在于：在所述步骤3中，所述神经网络模型为多视角卷积神经网络。

5.根据权利要求4所述的一种基于在线学习的光伏出力预测方法，其特征在于：所述步骤3包括如下具体步骤：

步骤3‑1：建立多视角卷积神经网络，包含两部分，第一部分对数据从不同视角进行特征提取，然后与原始数据进行级联，第二部分对第一部分得到的多维数据集进行卷积、回归；

步骤3‑2：第一部分中含有两个卷积层，过滤器个数分别为8、1，卷积核大小分别为3×

3、2×2，补洞策略均为same，卷积核滑动步长均为1；

第二部分含有两个卷积层，过滤器个数分别为64、32，卷积核大小均为3×3，补洞策略均为same，卷积核滑动步长均为1；

步骤3‑3：该网络在卷积层激活函数使用elu函数，在全连接层激活函数使用tanh函数。

6.根据权利要求3所述的一种基于在线学习的光伏出力预测模型，其特征在于：在所述步骤5中，边缘计算平台获取实时数据进行时间序列预测，实时数据经过步骤2‑3所述标准化处理，边缘计算平台进行预测。

7.根据权利要求1所述的一种基于在线学习的光伏出力预测模型，其特征在于：在所述步骤8中，判断新模型是否优于旧模型的依据是均方根误差(RMSE)：其中，f(xi)为预测值，yi为真实值，n为测试集中数据个数。

8.一种使用权利要求1‑7的基于在线学习的光伏出力预测设备，其特征在于：该计算机设备包括存储器、处理器、通信接口以及通信总线；

所述存储器用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理；所述存储器包括存储程序区和存储数据区，其中，存储程序区存储操作系统、至少一个功能所需要的应用程序；存储数据区存储处理器所创建的数据；

所述存储器上存储有可在处理器上运行的计算机程序，所述计算机程序在计算机处理器中执行时实现光伏发电功率预测方法。