1.一种基于时空相关性的短期光伏出力预测方法，其特征在于，包括以下步骤：（1）获取某区域多个光伏电站的历史功率及待测电站影响因子的历史数据，建立特征数据库，对原始数据进行异常值剔除和缺失值填补，将所有数据归一化处理；

（2）利用皮尔逊相关性分析，选取强相关的气象因子，引入历史发电功率，构造延时输入特征；

（3）建立基于区域光伏电站拓扑结构的GCN模型，对多光伏电站光伏空间演变模式横向追踪，聚合邻近光伏电场的空间特征，输出包含空间演变模式的空间特征集合；

（3.1）某个相邻电站的出力首先出现较大波动时，GCN网络通过聚合相邻光伏电站的出力形成待测电站的空间特征，快速捕捉气象突变引起的出力波动，建立空间上的光伏出力连通性；

（3.1.1）定义一个图结构数据G来描述它们的空间依赖性；将某区域的多个光伏电站用无向图表示为：；

式中，每个光伏电站被视为无向图中的一个节点vi，V表示某区域的一组光伏电站，N表示区域光伏电站个数，E表示每个节点之间关系的集合；

各节点间的连接特征用一个N×N维的矩阵A来表示，称为邻接矩阵；采用节点间的Pearson相关系数的绝对值来表示相邻光伏电站的空间相关性，以多光伏电站之间的相关性矩阵来表示邻接矩阵；将每个光伏电站的历史发电功率数据看作节点属性特征，以此构建一个N×F维的特征矩阵X，F表示历史时间序列长度；

（3.1.2）通过聚合同一区域的其他光伏电站的空间特征数据得到待测电站的空间特征；图卷积分为两大类，分别是基于频谱的方法和基于空间的方法；使用基于空间的方法对空间特征进行建模，具体为：将多光伏电站的邻接矩阵A和特征矩阵X输入到GCN模型中，GCN通过对A和X进行编码，获得待测光伏电站与周边其他电站机组之间的空间相关性；图卷积层之间的运算公式表示为：；

式中，H是每一层的特征，对于输入层，H就是特征矩阵X；σ是非线性激活函数； 为 的度矩阵；W是学习权重；

（4）利用SGMD处理非线性不平稳序列的优点，将辐照度、温度、湿度、降雨量、区域光伏出力聚合特征和待测电站光伏出力分解为一组相对平稳的子序列，以剔除部分波动性较大的误差分量，构建更能反映历史数据时序变化特征的多层模态子序列特征矩阵，将不同输入特征及光伏出力的对应子序列组成子序列输入矩阵；

（5）采用CNN‑BiLSTM神经网络进行特征提取和光伏发电功率预测，然后通过反归一化和子序列重构得到最终的预测结果，并对此进行误差评估。

2.根据权利要求1所述的一种基于时空相关性的短期光伏出力预测方法，其特征在于，所述步骤（1）具体为：对某区域多个光伏电站历史出力数据及待测电站气象因子的历史数据进行整理；对样本集进行去异常值和数据补全；

（1.1）运用拉依达准则法，给定一个置信概率，并确定一个置信限，超出此限的误差不属于随机误差范围，将其视为异常值剔除，得到多个光伏电站历史功率、待测电站气象因子历史数据；

（1.2）在剔除异常值的基础上，采用双线性插值法分别对历史出力数据、气象因子历史数据中的缺失数据进行填补；

（1.3）将已经清洗完的历史出力数据和待测电站气象因子数据进行归一化处理。

3.根据权利要求2所述的一种基于时空相关性的短期光伏出力预测方法，其特征在于，步骤（1.3）中所述的归一化处理采用的公式如下：；

式中，X是标准化前的数据，X´是对应的归一化数据，Xmin和Xmax是序列中的最小值和最大值。

4.根据权利要求1所述的一种基于时空相关性的短期光伏出力预测方法，其特征在于，所述步骤（2）具体为：（2.1）利用Pearson相关性系数分析光伏出力与气象因子之间的相关性，确定强相关性气象因子，其计算公式为：；

式中，PXY为Pearson相关系数，X、Y为相关因子； 、 分别为两个因子的均值；

（2.2）根据光伏功率延时步长的选取结果，对目标光伏电站进行延时输入特征扩充，引入历史光伏发电功率作为输入特征。

5.根据权利要求1所述的一种基于时空相关性的短期光伏出力预测方法，其特征在于，所述步骤（4）具体为：（4.1）采用模态分解的方法将时间序列信号分解为多个组成部分，产生更稳定、波动更小的时间序列；

设气象因子和光伏发电功率的时间序列数据为x=[x1,x2,……，xn]，其中n为时间序列信号长度，构建d维轨迹矩阵X，如下式所示：；

式中，τ为延时时间；

根据矩阵A构造哈密顿矩阵M：

；

2

则令C=M ，以此来构造辛正交矩阵Q：

；

式中，B为上三角矩阵，计算其特征值为λ1,λ2,……,λd，则矩阵A的特征值为：；

式中，σi按照矩阵A的辛几何谱分布，Q(i=1,2,……,d)由σi的特征向量组成，则各分量矩阵的重构步骤如下：；

式中，i=1,2,……,d；则初始单分量轨迹矩阵Z如下式所示：；

mⅹd * *

式中，Z∈R ；定义Zi中元素zij，1≦i≦d，1≦j≦m，且d=min(m,d)，m=max(m,d)，n=m+(d‑1)τ，则：；

对角平均转换矩阵由下式得到：

；

通过对角平均能够将矩阵Z变换为d×n维的矩阵Y，从而将输入变量信号x分解为d个具有不同中心频率的辛几何模态分量：；

式中，Y为原序列；Y（i i=1,2,……,d）为分解子序列。

6.根据权利要求1所述的一种基于时空相关性的短期光伏出力预测方法，其特征在于，所述步骤（5）具体为：（5.1）采用由卷积神经网络和双向长短期记忆神经网络层组成的CNN‑BiLSTM作为特征提取和功率预测模型，将光伏发电功率、气象特征和GCN空间聚合特征作为其输入；

（5.1.1）卷积神经网络模型由三层组成，输入层、隐藏层和输出层；隐藏层为特征提取层，由卷积层和池化层组成；

（5.1.2）将由CNN模块提取到的特征向量经过Flatten层的扁平化处理后输入到BiLSTM神经网络中，以此来提取输入特征的时序特性，计算向前传播特性和反向传播特性，数学表达式如下：；

式中，nt为输入矢量； 为向前传播层的输出值； 为向后传播层的输出值；θt为输出层的输出；δ为tanh激活函数； 、 、 、 、 和 为权值矩阵； 、 和 为偏置矢量。

7.根据权利要求6所述的一种基于时空相关性的短期光伏出力预测方法，其特征在于，所述步骤（5.1.1）中，卷积层设计为多层卷积层，其数学表达式如下：；

式中，αi为第i个卷积层输入特征； Wi和bi和分别表示第i个卷积层卷积核的权重矩阵和偏执向量；fi为第i个卷积层输出特征；σ表示ReLU激活函数。

8.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑7中任一项所述的一种基于时空相关性的短期光伏出力预测方法。

9.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑7中任一项所述的一种基于时空相关性的短期光伏出力预测方法。