1.一种智能风光互补发电系统的功率调节方法，其特征在于，包括如下步骤：步骤1：获取历史发电数据及其影响参数，建立针对短期风光预测的RBF神经网络预测模型，所述RBF神经网络预测模型确定输入层8个节点，x1、x2、x3、x4、x5、x6、x7、x8分别对应太阳辐射量、倾斜角度、组件遮挡、风向量、风密度，气压，湿度，机组状态；确定输出层1个节点为预测发电量；

步骤2：建立分布式能源的模型与废旧电池充放电模型，所述废旧电池充放电模型为：VT＝Em‑IbattRint

Vout＝NsVT

其中，VT是单个模组电压，Em是开路电压，Ibatt电池电流，Rint电池内阻，Iin电池包电流，Np并联电池节数，Vout电池包电压，Ns串联电池节数，SOC是电池荷电状态，Capbatt电池容量；

步骤3：利用野马搜索算法优化所述RBF神经网络预测模型，所述RBF神经网络预测模型的权重w、基函数的中心c、高斯核宽度σ为影响RBF神经网络预测模型精度的量；

步骤4：根据步骤3优化后的模型进行短期风光预测，得出风光预测结果；

步骤5：根据步骤4的风光预测结果，得到风光短期内的发电量趋势与功率预测，对分布式能源系统输出功率进行智能调控，对废旧电池组电池参数以及风光预测数据进行实时监测，当预测到短期内发电趋势升高时，分布式能源系统开始对废旧电池组进行充电消纳电网多出的功率；当预测到短期内发电趋势升高降低时，废旧电池组开始放电，平衡电网的功率。

2.根据权利要求1所述的智能风光互补发电系统的功率调节方法，其特征在于，所述步骤1中RBF神经网络预测模型建模分成以下步骤：步骤1.1：确定输入层8个节点，x1、x2、x3、x4、x5、x6、x7、x8分别对应太阳辐射量、倾斜角度、组件遮挡、风向量、风密度，气压，湿度，机组状态；确定输出层1个节点，其中f(x)为预测发电量；RBF神经网络预测模型公式如下：其中，q为隐层神经元个数，wj是第j个隐层神经元所对应的权重，cj是第j个隐层神经元所对应的中心， 为径向基函数，ci是第i个神经元的中心点，σ为高斯核的宽度，||xi‑ci||为样本点xi到中心点ci的欧式距离, 为所有输入参数第j个隐层神经元所对应的中心对应位置的径向基函数；

步骤1.2：根据步骤1.1，建立风光预测模型均方误差，公式如下：当E最小时，预测模型结果最优；其中，ei为输入第i个样本时候的误差，f(x)为预测发电量，y为实际发电量；

步骤1.3：建立输出层的神经元线性权重公式为：

其中，η为学习效率，E为均方误差， 为径向基函数，w为隐层总权重；

步骤1.4：建立隐层神经元中心点公式为：

步骤1.5：建立隐层的高斯核宽度公式如下：

3.根据权利要求1所述的智能风光互补发电系统的功率调节方法，其特征在于，所述步骤2中分布式能源的模型与废旧电池充放电模型建模分为以下步骤：步骤2.1：建立光伏电池模型，公式如下：

其中，ISC是短路电流，Voc是开路电压,Im是最大功率点处的输出电流，Vm是最大功率点处的输出电压；

步骤2.2：建立风机电池模型，公式如下：

其中，Pm是涡轮机的机械输出功率，ρ是空气密度，R是桨叶半径，Cp是涡轮机的性能系数，β叶片俯仰角℃，V是风速，λ转子叶片的尖端速度与风速之比；

步骤2.3：建立废旧电池模型。

4.根据权利要求2所述的智能风光互补发电系统的功率调节方法，其特征在于，所述步骤3中利用野马搜索算法优化RBF神经网络模型的具体步骤为：步骤3.1：初始化参数，输入影响预测模型精度的量：权重w、基函数的中心c、高斯核宽度σ；

步骤3.2：初始化种群：将种群数量设置为N，分组数目设置为G,最大迭代次数为Maxiter；

步骤3.3：创建组并随机选出领导者，找到所有成员进行适应度，迭代公式如下：其中，iter是当前迭代次数，Maxiter是算法最大迭代次数，TDR随着计算的随着迭代次数增加从1逐渐减小至0的自适应参数；

步骤3.4：马群的自适应机制Z公式如下：

其中，P是由0和1组成的向量， 是[0,1]内随机数，IDX是满足条件(P＝＝0)的向量的索引值；

步骤3.5：若随机数小于交叉百分比，继续运行；否则，转至步骤3.3；平均型交叉算子公式如下：Crossover＝Mean

其中， 表示组k中个体p离群后再次进入组k的个体位置， 表示组i中个体q离群后再次进入组i的个体位置， 表示组j中个体z离群后再次进入组j的个体位置；

领导者是放牧区的中心，群成员围绕着中心放牧搜索，搜索公式如下：j

其中， 是组内成员的当前位置，Stallion  是领导者的位置，Z是自适应结构，R是[‑

2,2]范围的均匀随机数， 放牧时组成员的新位置；

步骤3.7：领导者主要带领成员前往更合适的栖息地，如果当前组占主导地位，那么就使用这个地区；如果另一个小组占主导地位，他们必须离开该地，位置更新公式如下：其中， 是组i领导者的下一个位置，WH是水坑栖息地的位置， 是组i领导者的当前位置；

步骤3.8：在算法的后期阶段，根据适应度选择领导者；如果其中一名组员的适应度优于组长，则组长和相应组员的位置进行更改，公式如下：步骤3.9：如果达到终止标准，则转至步骤3.10；否则，转至步骤3.3；

步骤3.10：输出得到的最优解。