1.一种基于时空协同的混合模型光伏发电功率预测方法，其特征在于：包括以下步骤：

步骤一、构建数据集；数据集中包含光伏发电站的多个影响因素及其对应的发电功率的时序数据；影响因素在降雨、风向、扩散水平辐照度、全球水平辐照度、湿度、气温、风速和电流中选择得到；选择过程为：皮尔逊相关系数法挑选出与发电功率相关性高的数据作为影响因素；

步骤二、构建进行功率预测模型；

功率预测模型包括CNN多头注意力机制模块、LSTM多头注意力机制模块、结合模块和全连接层；LSTM多头注意力机制模块包括长短时记忆网络和第一多头注意力机制层；CNN多头注意力机制模块包括卷积神经网络和第二多头注意力机制层；第一多头注意力机制层、第二多头注意力机制层和结合模块均采用多头注意力机制结构；

长短时记忆网络输出的特征作为输入传输进第一多头注意力机制层；卷积神经网络输出的特征作为输入传输进第二多头注意力机制层；第一多头注意力机制层的输出向量C1和第二多头注意力机制层输出向量C2共同输入结合模块进行融合；所得融合结合向量输入至全连接层；全连接层输出预测结果；

步骤三、设定长短时记忆网络和卷积神经网络的超参数；通过蜣螂优化算法分别寻找长短时记忆网络和卷积神经网络的全局最优超参数，并将所得的长短时记忆网络和卷积神经网络的全局最优超参数，分别赋值到长短时记忆网络和卷积神经网络中；蜣螂优化算法中种群的初始位置通过Logistic混沌映射的方法确定；蜣螂优化算法中使用均方误差作为适应度函数；

步骤四、基于数据集构建训练集，并利用训练集对CNN多头注意力机制模型和LSTM多头注意力机制模型进行并行训练；

步骤五、利用经过训练的功率预测模型进行光伏发电站的发电功率预测。

2.根据权利要求1所述的一种基于时空协同的混合模型光伏发电功率预测方法，其特征在于：步骤一构建的数据经过缺失值填充、异常值更换和归一化处理。

3.根据权利要求1所述的一种基于时空协同的混合模型光伏发电功率预测方法，其特Q K V

征在于：多头注意力机制结构中定义多组参数矩阵Wi 、Wi 、Wi，其中每一组的参数矩阵均不相同，并将输入的特征与参数矩阵相乘从而得到多组查询向量Qi、键向量Ki、值向量Vi；依据查询向量Qi、键向量Ki、值向量Vi求取出多个注意力输出；各注意力输出加权求和，得到多头注意力机制结构的输出。

4.根据权利要求1所述的一种基于时空协同的混合模型光伏发电功率预测方法，其特征在于：所述的卷积神经网络中，卷积核应用于输入序列上的每个位置；滑动窗口从输入序列的开头开始，逐步移动，每次移动一个步长；在滑动窗口的每个位置，将卷积核与输入序列中的对应元素进行逐元素乘积，然后对乘积结果进行求和；这个求和结果就是卷积操作的输出序列的对应位置的值；继续滑动窗口，直到滑动窗口遍历完整个输入序列。

5.一种计算机设备，包括存储器、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，所述存储器存储计算机程序；其特征在于：所述处理器执行如权利要求1‑4中任意一项所述的基于时空协同的混合模型光伏发电功率预测方法。

6.一种可读存储介质，存储有计算机程序；其特征在于：所述计算机程序被处理器执行时用于实现如权利要求1‑4中任意一项所述的基于时空协同的混合模型光伏发电功率预测方法。