1.一种基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述方法具体包括以下子步骤：S1：获取两不同地域的在预设历史时间段内的光伏输出功率、气象数据、光伏发电设备数据，分别作为源域数据与目标域数据，并进行相关性分析以对源域数据与目标域数据进行筛选；

S2：将源域数据和部分目标域数据分别输入至源域模型和目标域模型进行训练，从训练好的源域模型和目标域模型中提取通用特征；

S3：构建光伏输出功率预测模型，对步骤S2得到的通用特征进行预测回归，预测得到光伏输出数据。

2.根据权利要求1所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述气象数据包括斜面辐射、散射辐射、直接辐射、环境温度、大气压力、大气湿度；

所述光伏发电设备数据包括背板温度。

3.根据权利要求1所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，进行相关性分析以对源域数据与目标域数据进行筛选的过程包括：使用皮尔逊相关系数度量源域数据与目标域数据的相关度与冗余量，并据此选取源域数据与目标域数据的维度。

4.根据权利要求1所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述步骤S2具体包括以下子步骤：S201：将源域数据输入至源域模型进行训练以获得源域数据矩阵；

S202：将部分目标域数据输入至目标域模型进行训练以获得目标域数据矩阵；

S203：将目标域数据输入步骤201训练好的源域模型和步骤202训练好的目标域模型中，提取通用特征。

5.根据权利要求4所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述步骤S202中，部分目标域数据以流式的形式输入至目标域模型；

在目标域模型训练的过程中还包括：度量源域数据与目标域数据之间的距离，使得目标域模型输出的目标域数据矩阵与源域数据矩阵分布相似，且同时保留目标域数据的全部信息。

6.根据权利要求4所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述步骤S203中，提取的通用特征满足：式中，y为提取的通用特征，x为输入的目标域数据， 为训练好的源域模型，为训练好的目标域模型， 为训练好的源域模型对应的权重系数， 为训练好的目标域模型对应的权重系数；

其中， ， 满足：

式中， 表示模型准确度，k表示第k个训练轮次。

7.根据权利要求1所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述步骤S3中构建的光伏输出功率预测模型对步骤S2得到的通用特征进行预测回归的过程中包括：对光伏输出功率预测模型的训练过程；在光伏输出功率预测模型的训练过程中，将步骤2得到的通用特征输入至光伏输出功率预测模型，选择将光伏功率预测输出2

作为光伏输出功率预测模型的输出，选用均方根误差作为损失函数，选用R决定系数作为光伏输出功率预测模型性能度量指标。

8.根据权利要求7所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，在光伏输出功率预测模型的训练过程中还包括：设置提前停止法则；

所述提前停止法则的定义公式如下：

其中，p为超参数，且k＞p；lk为第k个损失函数；l为p个损失函数的集合，l={l0,l1,…,lk}；  表示采用ReLU函数作为激活函数；考虑第k个损失函数与第k‑p个到第k‑1个损失函数之间的关系，保证损失函数是总体下降的，则继续训练；反之，则停止训练并保存输出的光伏输出功率预测模型。

9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；

其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1‑8任一项所述的基于快速在线迁移神经网络的光伏输出功率预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1‑8中任一所述的基于快速在线迁移神经网络的光伏输出功率预测方法。