1.一种海量分布式光伏电站发电功率超短期预测方法，其特征在于，包括如下步骤：S1.预处理数据、S2.训练模型以及S3.预测功率，三步骤系统启动时按顺序执行，在系统稳定运行期间同步执行；

S1.预处理数据；

步骤S1‑1：根据各分布式光伏站点同步上传的各分布式光伏站点的实时功率数据，记录第i个光伏站点的经纬度为(xi，yi)，每Δt时间上传一次数据，第k次的功率为Pik，温度为Tik；，风速为WSik；

步骤S1‑2：根据气象数据发布平台发布的实时气象数据，以第i个光伏站点为原点，东方向及北方向分别记为东西方向和南北方向的正方向，将风向分别分解到东西方向与南北方向，若第k次的风向与正方向相同则记为1，否则为‑1，无风向则记为0，记录此时的东西风向与南北风向为(WXik，WYik)；

步骤S1‑3：记录第k次上传数据经预处理后的数据为Dk，并将其传输至数据存储模块，具体表达式如下：式中：Dik为第k时刻、第i个分布式光伏站点的数据信息；

S2.训练模型；

步骤S2‑1：判断模型是否需要更新，若是则进入步骤S2‑2，若否则继续等待；

步骤S2‑2：从数据存储模块获取历史数据D＝{Dm‑c,Dm‑c+1...Dk...Dm}，m为当前时刻点总数，c为用来训练模型的数据组数，针对n个光伏站点需要训练n个训练模型；

步骤S2‑3：进行第i个光伏站点模型的训练，根据其经纬度(xi，yi)对历史数据D进行地理特征及风向风速信息的更新，得到更新后的数据集D’＝{D’m‑c,D’m‑c+1...D’k...D’m}，具体表达式如下：式中：D’ik表示第k时刻、第i个分布式光伏站点的更新后的数据信息，D’k表示第k时刻所有光伏站点更新后的数据信息；

步骤S2‑4：构建训练输入数据集为In，训练输出数据集为Out，将其输入训练模型进行训练得到模型Mi，其中：式中：Pik＝[Pik Pi(k+1) ... Pi(k+Δk)]为预测功率序列，Δk为预测区间时刻点个数，Pik为第i个光伏站点第k次的功率；

步骤S2‑5：重复步骤S2‑2至S2‑4共n次，得到n个模型，至此模型训练完成；

S3.预测功率；

步骤S3‑1：监听分布式光伏站点的预测请求，若收到请求则进入步骤S3‑2，若否则继续监听；

步骤S3‑2：记录需要进行预测的光伏站点序列号为j，进行第j个光伏站点的功率预测，获取最近一时刻的数据D’m，具体表达式如下所示：式中：D’m表示所有光伏站点最近一时刻的针对第j个光伏站点更新后的数据信息；

步骤S3‑3：将D’m输入模型Mj，得到第j个站点的预测功率序列Pj，其中Pj包含第j个站点未来Δt至ΔkΔt时间内的光伏功率预测值；

步骤S3‑4：将预测序列Pj通过通讯网络下发至第j个光伏站点；完成此次预测请求的处理，返回步骤S3‑1。

2.实施权利要求1所述的一种海量分布式光伏电站发电功率超短期预测方法的系统，其特征在于，包括气象数据发布平台、分布式光伏站点、数据预处理模块、数据存储模块、模型训练模块、功率预测模块；

数据预处理模块从气象数据发布平台接收实时气象数据并从分布式光伏站点接收实时功率数据，将处理得到的实时综合信息矩阵传输至数据存储模块；

数据存储模块接收数据预处理模块的实时综合信息矩阵存入数据存储器，接收功率预测模块的预测所需数据请求，将t‑cΔt时刻至t时刻综合信息矩阵返回至功率预测模块，将训练所需数据传输至模型训练模块；

模型训练模块接收数据存储模块传输的训练所需数据，将训练得到的CNN‑LSTM模型组传输至功率预测模块，训练采用的模型为CNN‑LSTM(Convolution al Neural Networks‑Long Short Term Memory，卷积神经‑长短期记忆网络)模型；

功率预测模块包括请求分析模块、功率计算模块以及CNN‑LSTM模型组；请求分析模块接收分布式光伏站点的预测请求，将预测所需数据请求传输至数据存储模块，将光伏站点序列号传输至CNN‑LSTM模型组；CNN‑LSTM模型组接收请求分析模块传输的光伏站点序列号，将预测所需模型传输至功率计算模块；功率计算模块接收数据存储模块传输的t‑cΔt时刻至t时刻综合信息矩阵以及CNN‑LSTM传输的预测所需模型，将计算得到的功率预测序列作为预测响应下发至指定分布式光伏站点。