1.一种基于改进MICN的光伏功率预测方法，其特征在于，包括如下步骤：(1)预先获取光伏电厂的历史光伏功率数据和气象数据，并进行数据预处理；

(2)利用自适应啁啾模态分解把历史光伏功率序列分解成N个子序列，并对光伏功率和气象特征进行相关性分析；

(3)构建多尺度等距卷积网络MICN，将步骤(2)得到的具有较强相关性的多变量气象特征和N个光伏功率子序列输入到MICN模型中；

(4)利用改进的原子轨道搜索算法MAOS优化MICN模型的参数；所述MAOS算法是在原AOS算法基础上采用分段线性混沌映射PWLCM初始化策略代替其原来的随机初始化，引入黄金正弦改进策略平衡电子的全局搜索和局部搜索能力；

(5)建立复合损失函数，将准确率、稳定度和合格率三个优化目标同时加入到损失函数中，提升优化后的MICN模型的预测性能；

(6)建立最小二乘支持向量机模型LSSVM，将步骤(1)预处理后的历史光伏功率数据和经步骤(4)优化后的MICN模型的光伏功率预测输出进行差值计算，形成光伏功率误差序列Γ1；通过LSSVM模型对Γ1再次预测得到预测误差序列Γ2；最后通过Γ2对MICN模型的光伏功率预测输出进行校正，得到光伏功率最终预测输出；

所述步骤(4)实现过程如下：

(41)设置相关参数，包括：最大迭代次数、电子云数量、维度大小、电子在搜索空间的上界与下界；

(42)使用PWLCM初始化策略代替原AOS算法中的随机初始化方法：其中，分段控制因子δ∈(0,0.5)，Xi+1∈(0,1)，Xi为混沌映射随机位置；

(43)确定电子的适应度值，即光伏功率预测值和实际值的偏差；E表示适应度值的向量，具有较低适应度值的电子表示光伏功率预测值和实际值的偏差值较小：其中，Ei为第i个电子的适应度值；m是搜索空间内电子的数量；pw、yw分别为第w样本点光伏功率的预测值和实测值； 为第k层第i个电子的位置，n为最大虚拟层数，p为第k层电子的总数；

(44)利用每个虚拟层中电子的位置和适应度值的平均值来表示该层电子的结合态和结合能：k k

其中，BS和BE分别为第k层的结合态和结合能， 和 为第k层第i个电子的位置和适应度值；

利用搜索空间中所有电子的位置和适应度值的平均值来确定原子的结合态和结合能：其中，BS和BE分别为原子的结合态和结合能，Xi和Ei为第i个电子的位置和适应度值；m是搜索空间中电子的总数；

(45)确定电子 的位置更新，通过不同位置更新方法搜寻MICN模型最优参数，使得光伏功率预测值和实际值的偏差值降低；

(46)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤(44)，最终在最大迭代次数内输出算法迭代出的MICN模型最优参数，使得光伏功率预测值和实际值的偏差值最低。

2.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，步骤(1)所述的气象数据包括气象因素和气象类型；所述气象因素主要包括温度、湿度、气压、风速、风向、太阳辐射强度；所述气象类型主要包括晴天、雨天、阴天。

3.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，步骤(2)所述利用自适应啁啾模态分解把历史光伏功率序列分解成N个子序列实现过程如下：使用ACMD处理历史光伏功率信号：

式中：B为信号模式的数量；Ab(t)、fb(t)和 分别表示第b个信号模式的瞬时幅值、瞬时频率和初始相位；

通过调制和解调，式(1)改写为：

式中：qb(t)和db(t)为解调算子； 表示解调频率； 为瞬时幅值；

当 时，解调信号中的调频项为0，得到带宽最窄的纯调幅信号；通过对解调信号的带宽最小化，ACMD估计中频，对信号进行分解，并逐个估计信号的分量；

针对第b个信号分量求解：

式中：q”bb(t)、d”bb(t)是解调算子的二阶导数；λ为惩罚因子； 和 表示带宽；

对于t＝t0,…,tK‑1时间序列的离散信号，采样点个数为K，则信号分量求解的离散表达形式为：T T T T T

式中：c＝[c(t0),…,c(tK‑1)] ，ub＝[(qb) ,(db) ]，qb＝[qb(t0),…,qb(tK‑1)]，db＝[dbT(t0),…,db(tK‑1)]；Fb为频率对角矩阵，A＝diag[Ω,Ω]为分块对角阵；Ω为二阶差分矩阵；

通过交替更新解调信号和频率函数实现对原始信号的逐个分解，在得到第1个信号分量之后，将其从原始信号中减去，然后将剩余分量作为新的初始信号继续分解得到第2个信号分量，反复循环更新，直到获取全部信号分量。

4.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，步骤(2)所述对光伏功率和气象特征进行相关性分析实现过程如下：利用皮尔逊相关系数ρ对输入的光伏功率和气象特征进行相关性分析，选取设定值|ρ|>0.8；提取对光伏功率影响大于设定值的气象特征，将相关性分析结果低于设定值的气象特征舍弃，同时选择与输出光伏功率具有较强相关性的历史时间进行时序序列建模。

5.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(3)实现过程如下：(31)使用多尺度混合分解将输入X分解成Xt和Xs；

Xt＝mean(AvgPool(Padding(X))kernel)           (6)Xs＝X‑Xt                   (7)其中，Xt和Xs分别为趋势‑周期预测部分和季节性预测部分；AvgPool(·)和Padding操作使序列长度保持不变，kernel为卷积核；

regre mean

(32)将Xt输入趋势‑周期预测部分得到Yt ，Yt ：regre

Yt ＝regression(Xt)                (8)mean

Yt ＝mean(Xt)                 (9)regre

其中，regression为线性回归策略；Yt 表示使用线性回归策略对趋势部分的预测；

mean

Yt 表示对趋势部分的预测；

(33)将Xs输入季节性预测部分得到Ys,l，Ys；利用Concat和Embedding分别表示将Xs、Xzero序列先合并后整体嵌入得到Ys,l＝MIC(Ys,l‑1),l∈{1,2,…,N}            (12)Ys＝Truncate(Projection(Ys,N))             (13)其中，Xzero表示以零填充的占位符， 表示Xs的嵌入表示； 为多尺度等距卷积层初始输入，Ys,l表示第l个多尺度等距卷积层的输出；Ys表示通过Ys,N和Truncate运算进行线性函数Projection后对季节性部分的最终预测；N表示层数；MIC为多尺度等距卷积；

(34)Embedding的实现过程如下：

其中，TFE表示时间特征编码，PE表示位置编码，VE表示数值嵌入；

(35)采用多尺度等距卷积捕捉局部特征和全局相关性，通过不同尺度的分支对时间序列的不同分支进行建模；并将不同分支的结果合并，完成序列的综合信息利用。

6.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(5)实现过程如下：L1的优化目标为准确率，具体为光伏功率预测值和真实值之间的均方根误差；L2的优化目标为稳定性，具体为光伏功率预测值和真实值之间的方差；L3的优化目标为合格率；L1、L2和L3目标函数表达式如下：L3＝max(r1)                 (33)L＝L1+aL2+b(1‑L3)                (34)其中，L1为优化目标为准确率，具体为光伏功率预测值和真实值之间的均方根误差；L2为优化目标为稳定性，具体为光伏功率预测值和真实值之间的方差；L3为优化目标为合格率，P＝{pw,w＝1,2,3,…,M}为预测功率样本；Y＝{yw,w＝1,2,3,…,M}为实测功率样本；pw为第w个预测功率样本点；yw为第w个实测功率数据样本点；M为样本容量；Ccap为光伏电厂容量；E表示期望，λ取值为0.75；a、b分别表示L2和L3的权重系数；a和b随着MAOS算法迭代的表达式为：式中，t为当前迭代次数，T为最大迭代次数；a0和b0为L2和L3的初始权重；au和bu为积极因子；amax和bmax为a和b的上限值。

7.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(6)实现过程如下：(61)定义样本集为S＝(xi,yi),i＝1,2,…,n，其中x为输入向量，y为输出向量；利用非线性函数将光伏功率序列样本序列数据映射到高维度空间，得到最小二乘支持向量机回归函数为：T

g(x)＝ω ο(x)+b     (36)

式中，ω为权重值；ο(x)表示非线性函数；b为偏置值；

(62)按照结构风险最小化准则，将回归函数转化为最小化代价函数约束的优化问题：式中，f表示最小化代价函数；e表示误差向量；α和β均为调整系数；

(63)引入拉格朗日算法对最小化代价函数进行最优解的搜寻，拉格朗日函数表示为：式中，υi表示第i个拉格朗日乘子；

(64)通过KKT条件对拉格朗日函数各变量求偏导：式中，φ为可调系数比值，φ＝α/β；

(65)通过方程组线性运算去掉权重值ω和误差向量e：其中，Ω＝K(x,xi)，表示符合Mercer条件的核函数；

(66)通过线性方程组求解得到光伏功率预测误差序列的最小二乘支持向量机回归函数：(67)选取径向基核函数作为预测模型的核函数，其表达公式为：

2 2

K(x,xi)＝exp(‑||x‑xi||/2σ)    (42)式中，σ是核函数的带宽。

8.根据权利要求5所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(31)实现过程如下局部模块通过avgpool获取相应的单个分支后，采用一维卷积实现降采样：其中，Ys,l‑1表示第l‑1个多尺度等距卷积层的输出； 表示不同分支对应的不同比例尺寸，I表示输入，为过去的序列长度；Convld表示局部特征的压缩，设置为stride＝kernel＝i； 表示局部特征压缩得到的结果，是一个短序列；

利用全局模块来对局部模块输出的相关性进行建模：

其中，Norm为标准化操作， 表示全局关联建模后的结果，Tanh是激活函数；

IsometricConv表示等距卷积，Dropout是以一定概率随机删除输入层和隐藏层中的部分节点； 表示此分支的结果。

9.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(45)实现过程如下：如果每个电子的随机生成数 大于等于光子率PR，且特定层中的电子的适应度值大于等于该层的结合能，则认为电子运动受光子的发射作用影响，其位置更新为：其中， 和 分别为第k层第i个电子的当前位置和未来位置，LE是原子中适应度值最低的电子，BS是原子的结合态，αi，βi和γi是包含随机生成的数的向量，这些数均匀分布在(0,1)范围内；

如果每个电子的随机生成数 大于等于光子率PR，且特定层中的电子的适应度值小于该层的结合能，则认为电子运动受光子的吸收作用影响，其位置更新为：k k

其中，LE是第k层适应度值最低的电子，BS为第k层的结合态；

如果每个电子的随机生成数 小于光子率PR，引入黄金正弦改进策略平衡电子的全局搜索和局部搜索能力，其公式如下：其中，r1是(0，2π)的随机数，r2是(0，π)的随机数，r1和r2分别确定电子移动的距离和方向；c1和c2是采用黄金分割法产生的系数；Pi是全局最优位置。