1.一种基于多流神经网络的太阳能能量预测方法，其特征在于：所述方法包括如下步骤：步骤1：系统初始化；

步骤2：收集当天太阳能数据并存储，获得当前太阳能能量数据P，并存储到当天的太阳能数据集合P(M)＝{P1,P2,P3...Pm}中，其中Pm指的是当天第m时刻对应的太阳能数据；

步骤3：更新历史太阳能数据，保留当天前N天的太阳能数据D(N)＝{D1,D2,D3...DN}；

步骤4：评估相似日，将历史天气D(N)数组按照与当天的相似程度重新排列，表示为Dsort；

步骤4中，包括如下分步骤：

步骤41，预先加载相关性函数，如下所示：

其中，X是当天的太阳能数据，Y是参考日的太阳能数据，E(X)，E(Y)分别是两者的数学期望；式中，ρX,Y是用来反应两个变量相似程度的统计量；其中，分子是协方差，分母是两个变量标准差的乘积；当两个变量的线性关系增强时，相关系数趋于1或‑1；正相关时趋于1，负相关时趋于‑1；当两个变量独立时相关系统为0，但反之不成立；

步骤42，根据相关性函数，计算当天太阳能数据集合P(M)与历史天气太阳能数据矩阵D(N)中每一天的相似程度，得到相似度集合，具体为：ρ(s)＝{ρ1,ρ2,…ρN}

其中，ρ(s)是相似度集合，存储当天前N天的太阳能数据与当天太阳能数据之间的相似度；

步骤43，在有了相似度集合后，按照相似度从高到低排序，根据下标更新历史天气太阳能数据矩阵，得到相似日太阳能数据矩阵Dsort；

步骤5：利用太阳能预测模型，经过训练后，优化模型参数，得到最终的预测模型，该预测模型采用多流神经网络模型，基于相结合的长短期记忆神经网络LSTM与基于知识型神经网络KBNN；

步骤5中，包括如下分步骤：

步骤51：将具有空间特征的太阳能历史时间序列输入LSTM网络捕获其时间依赖；

步骤52，提出的KBNN结构中有四个主要部分：输入层，输出层，知识神经元和LSTM；输入层用于输入参数；输出层是知识神经元和LSTM输出的线性化；

步骤53，将LSTM的预测值与KBNN预测值线性结合，得到最终的预测结果；

步骤52的具体过程为：

步骤521，首先在KBNN神经元中嵌入有关太阳能的知识：其中，zt是来自于KBNN知识神经元的输出，α是加权因子， 指代当天太阳能中当前时刻数据， 指代前N天的时隙n+1中的测得功率值的平均值， 是天气在当日和前一天之间变化；

步骤522，其次根据真实太阳能数据Pi(n+1)与zi(t)之间的差异性，通过KBNN学习到这种变化，减少嵌入的太阳能知识的误差，具体为：步骤523，根据KBNN学习到的太阳能变化，更新、嵌入的太阳能知识，得到KBNN最终的预测结果；具体为：步骤6：通过多流神经网络算法模型进行预测任务，得到所需未来太阳能功率数据；

步骤7：根据预测数据重新分配电网调度任务和能源管理。

2.根据权利要求1所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤3中，对历史太阳能数据进行历史数据更新，将一天等分为24个时刻，得到历史天气太阳能数据矩阵，具体为：Di(t)表示第i历史天t时刻的太阳能功率值，i＝1,2,…N；t＝1,2,…24。

3.根据权利要求1所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤51的具体过程为：

步骤511，首先通过LSTM的遗忘门；完成是否遗忘判断的是包含σ层的遗忘门，其将输入的Xt和ht‑1代入公式来决定上一时刻的单元状态有多少可以被保留到当前时刻；具体公式为：ft＝σ(Wf.[ht‑1,xt]+bf)

其中，ft是遗忘门，Wf是遗忘门的权重矩阵，ht‑1是t‑1时刻的网络输出值，bf是遗忘门的偏置项，σ(.)是Softmax激活函数；

步骤512，确定新信息被保存在细胞状态，输入门通过sigmoid来决定当前时刻网络的输入Xt有多少保留到记忆单元Ct；具体计算公式如下所示：it＝σ(Wi.[ht‑1,xt]+bi)

其中，it为输入门，Wi是输入门的权重矩阵，bi是输入门的偏置项；其次，tanh层会生成一个向量 根据上一次的输出和本次输入来计算当前输入的单元状态，用来更新记忆状态单元，如下所示：其中， 为更新的记忆状态单元，Wc是更新过程中的权重矩阵，bc是更新过程中的偏置项；

步骤513，将旧的细胞状态Ct‑1更新为当前时刻新的细胞状态Ct，更新的规则就是通过遗忘门选择忘记旧细胞状态的一部分，通过输入门添加候选细胞状态 具体更新公式如下：步骤514，更新完细胞状态后根据输入来判断输出细胞的哪些状态特征，将输入经过一个称为输出门的Sigmod层得到判断条件，然后将细胞状态经过Tanh层得到新的向量，将该向量和输出门得到的判断条件相乘，具体公式如下:ot＝σ(Wo[ht‑1,xt]+bo)

ht＝otTanh(Ct)

其中，ot为输出门，ht为t时刻输出值，Wo是输出门的权重矩阵，bo是输出门的偏置项。

4.根据权利要求1所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤53的具体过程为：

步骤531，将LSTM的预测值与KBNN预测值线性结合，得到最终的预测结果；具体为：其中，y1是来自于LSTM的太阳能预测值，y2是来自于KBNN的太阳能预测值。