1.一种基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，所述短期光伏功率预测方法包括以下步骤：S1，获取历史光伏功率、历史卫星云图、ERA5气象数据、太阳几何参数和GRAPES数值预报结果；

S2，对历史卫星云图和ERA5气象数据进行预处理，将两组数据重构为维度相同的特征向量后相加，得到融合卫星云图向量；

S3，基于时空条件生成对抗网络构建卫星云图预测模型，将融合卫星云图向量输入卫星云图预测模型，输出未来T个连续时刻的二维卫星云图特征；

S4，构建气象特征嵌入网络，将GRAPES数值预报结果、历史光伏功率和太阳几何参数输入气象特征嵌入网络，由气象特征嵌入网络对输入的气象要素进行特征提取，获取气象要素三维分布特征；

S5，将步骤S3得到的二维卫星云图特征和步骤S4得到的气象要素三维分布特征输入多维特征融合模块，多维特征融合模块包括通道注意力层、交叉注意力层和LSTM层；通道注意力和交叉注意力层对二维卫星云图特征和气象要素三维分布特征进行加权和融合后，将得到的三维气象要素融合特征输入到LSTM网络中，LSTM网络利用三维气象要素融合特征进行时序建模，生成光伏功率的预测结果。

2.根据权利要求1所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S2中，对历史卫星云图和ERA5气象数据进行预处理，将两组数据重构为维度相同的特征向量后相加，得到融合卫星云图向量的过程包括以下步骤：S21，通过1×1卷积网络将数据维度为1×H×W的卫星云图数据升维至40×H×W，H和W分别为预测区域的长和宽；

S22，对数据维度为4×10×H×W 的ERA5气象数据进行重构，使其维度转化为40×H×W；ERA5气象数据包括气压、水平风速、垂直风速和风向数据，在垂直空间上覆盖从1000hpa到100hpa的范围，垂直空间分辨率为100hpa；

S23，将重构后维度相同的卫星云图数据和ERA5气象数据这两组向量在通道维度上拼接，得到融合卫星云图向量。

3.根据权利要求1所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S3中，基于时空条件生成对抗网络构建卫星云图预测模型，将融合卫星云图向量输入卫星云图预测模型，输出未来T个连续时刻的二维卫星云图预测的过程包括以下步骤：基于时空条件生成对抗网络构建卫星云图预测模型，卫星云图预测模型包括相互连接的时空LSTM网络和条件生成对抗网络；

将融合卫星云图向量输入时空LSTM网络，使用时空LSTM网络提取融合卫星云图向量的时空特征；再将融合卫星云图向量的时空特征输入到条件生成对抗网络中，以融合卫星云图向量的时空特征作为约束条件抑制条件生成对抗网络的模型噪声并利用其中的时空特性生成时间序列预测图像，输出未来T个连续时刻的二维卫星云图特征。

4.根据权利要求3所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，所述时空LSTM网络的公式为：；

；

；

；

；

；

；

；

其中xt为t时刻输入的融合卫星云图向量；it为输入门，用于控制哪些新信息被保留；ft为遗忘门，用于控制哪些旧信息被遗忘；ot为输出门，用于控制哪些信息被输出； 为sigmoid激活函数，*为卷积运算， 为Hadamard 积； 为输出的融合卫星云图向量的时空特征，用于反映云层整体的运动趋势；Wxi为输入门t时刻融合卫星云图向量的学习权重，Whi为输入门前一个时间步的隐藏状态的学习权重，bi为输入门对应的学习偏差值，Wxf遗忘门t时刻融合卫星云图向量的学习权重，Whf为遗忘门前一个时间步的隐藏状态的学习权重，bf为遗忘门对应的学习偏差值，Wxg为细胞状态更新时t时刻融合卫星云图向量的学习权重，Whg为细胞状态更新时前一个时间步的隐藏状态的学习权重，bg为细胞状态更新时的学习偏差值， 为新记忆细胞状态更新时输入门t时刻融合卫星云图的学习权重，Wmi为新记忆细胞状态更新时输入门新隐藏状态的学习权重， 为新细胞状态更新时输入门的学习偏差值， 为新记忆细胞状态更新时遗忘门融合卫星云图的学习权重，Wmf为新记忆细胞更新时遗忘门新隐藏状态的学习权重， 为新细胞更新时遗忘门的学习偏差值， 为新细胞状态更新时融合卫星云图向量的学习权重，Wmg为新细胞状态更新时前一个时间步的新隐藏状态的学习权重， 为新细胞状态更新时的学习偏差值，Wxo为输出门t时刻融合卫星云图向量的学习权重，Who为输出门前一个时间步的隐藏状态的学习权重，Wco和Wmo分别为输出门细胞状态和新细胞状态的学习权重，bo为输出门对应的学习偏差值，W1×1为1×1卷积层的学习权重， 表示细胞状态， 为新记忆细胞状态，为新记忆细胞状态输入门， 为新记忆细胞状态遗忘门。

5.根据权利要求3所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，所述条件生成对抗网络的损失函数为：；

；

其中，LG表示生成器的损失函数值，LD表示判别器的损失函数值，两个公式的前半部分都为条件损失，后半部分都为对抗损失；x为时空LSTM输出的融合卫星云图向量的时空特征，y为真实的卫星云图，z是由生成器输入的噪声和真实的卫星云图叠加后生成的噪声图，G(x,z)表示生成器产生的图像，D(x,y)表示判别器输出真实数据和生成数据的概率，Ex,y表示期望值， 是权衡对抗损失和条件损失的超参数。

6.根据权利要求1所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S4中，获取气象要素三维分布特征的过程包括以下步骤：S41，构建气象特征嵌入网络，所述气象特征嵌入网络采取U型网络结构设计，具有包括由依次连接的3层下采样层组成的下采样部分和由依次连接的3层上采样层组成的上采样部分，所有采样层全部采取一维卷积的方式，并且上采样部分和下采样部分通过跳跃连接的方式提取高级特征；

S42，将历史光伏功率、太阳方位角和太阳高度角数据输入气象特征嵌入网络的下采样部分，通过3层下采样网络将输入信息编码成信息特征图，得到包含历史光伏功率信息的特征图，再通过全局平均池化将特征图编码为一个隐藏状态向量，用于与数值预报数据形成的权重向量权重相加，以形成新的通道权重向量；

S43，基于数值天气预报系统生成未来T时刻的水平风速、垂直风速、风向、温度、湿度、云水和云冰这七个气象要素的数值预报结果，将每组七个气象要素组合成一个气象数据向量，经维度扩充和归一化后得到权重向量A；基于权重向量A，采取通道注意力的方式给下采样输出的特征图的通道维度赋权，得到融合后的特征图Y；其中，权重向量A的计算公式为： ；

 ；

式中，X表示气象数据向量； 是插值函数，用于将气象数据向量进行维度扩充，使其符合气象特征嵌入网络的嵌入要求；softmax函数用于使插值函数 归一化成为权重向量A；Y是加权后的特征图，Xi表示特征图的第i个通道，Ai表示权重向量A中第i个参数所对应第i个通道的注意力权重；C是特征图的通道数；

S44，将下采样部分融合得到的特征图Y输入上采样部分，并且通过跳跃连接融合上采样过程中提取的特征图Y的高级特征，融合得到气象要素三维分布特征M。

7.根据权利要求1所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S5中，生成光伏功率的预测结果的过程包括以下步骤：S51，将气象要素三维分布特征输入多维特征融合模块的通道注意力网络，利用通道注意力网络为每个高度通道分配权重，加权计算后得到气象要素特征向量；

S52，对于单通道的二维卫星云图特征，采用1×1卷积网络进行升维操作，使其维度与气象要素三维分布特征相匹配；

S53，将升维后的二维卫星云图特征和气象要素特征向量输入交叉注意力网络，采用交叉注意力网络计算气象要素特征向量的每个高度通道向量与二维卫星云图特征的注意力分数，每个通道的注意力分数反映了云层在不同海拔高度上对气象要素的影响程度，采用注意力分数对气象要素特征向量进行加权，得到考虑全部气象要素相互关系的三维气象要素融合特征；

S54，将考虑全部气象要素相互关系的三维气象要素融合特征输入到LSTM层中，利用三维气象要素融合特征进行时序建模，并生成光伏功率的预测结果。

8.根据权利要求7所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S51中，将气象要素三维分布特征输入多维特征融合模块的通道注意力网络，利用通道注意力网络为每个高度通道分配权重，加权计算后得到气象要素特征向量的过程包括以下步骤：对气象要素三维分布特征分别进行全局最大池化和全局平均池化操作，得到两个维度为10的特征向量；通过两个全连接层对这两组特征向量进行加权处理，将全连接层的输出结果相加，并经过sigmoid激活函数处理，得到位于 0 到 1 范围内的通道权重，通道权重用于反映海拔高度的气象要素信息对光伏功率的影响程度；将通道权重与气象要素三维分布特征相乘，加权计算后得到气象要素特征向量；

其中，气象要素三维分布特征在垂直空间上覆盖从1000hpa到100hpa的范围，垂直空间分辨率为100hpa，气象要素三维分布特征具有10个通道，每个通道代表不同海拔高度上的气象要素数据特征信息；

所述通道注意力网络的公式如下：

；

式中，MA为输入的气象要素三维分布特征， 为加权计算得到的气象要素特征向量，为sigmoid函数，MLP为全连接层。

9.根据权利要求7所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，所述交叉注意力层的公式为：；

；

其中，*为matmul product运算， 为输入交叉注意力层的气象要素特征向量，Wk为气象要素特征向量的学习权重，bk为气象要素特征向量的学习偏差值，hA为上采样层输出的特征图经过全局平均池化编码形成的隐藏状态向量，Wq为隐藏状态向量的学习权重，bq为隐藏状态向量的学习偏差值， 为气象要素特征向量与隐藏状态向量的注意力分数矩阵，注意力分数矩阵用于反映不同海拔高度上的气象要素对光伏功率的影响程度，Wv为结合注意分数矩阵后气象要素特征向量的学习权重，bv为对应的学习偏差值， 为得到的考虑全部气象要素相互关系的三维气象要素融合特征。