1.基于图像修复的光伏电站功率预测方法，其特征在于，包括以下步骤：获取目标光伏电站当前时刻的输出功率和对应时刻的光伏阵列图像信息，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图；所述云团特征包括云团的形状、大小和厚度；

得到的虚拟云图基于训练完毕的图像修复模型，得到修复后的完整虚拟云图；

分析修复前虚拟云图的像素与光伏电站输出功率的线性关系，基于得到的线性关系，将修复后的完整虚拟云图转换为光伏阵列集群输出功率，获取功率预测结果。

2.如权利要求1所述的基于图像修复的光伏电站功率预测方法，其特征在于，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图包括，像素值由0到255变化期间，光伏阵列输出功率增大，光伏阵列上空的云团厚度减小。

3.如权利要求1所述的基于图像修复的光伏电站功率预测方法，其特征在于，图像修复模型的训练过程，包括：将缺损图像输入至生成器，生成器对缺损图像进行修复；

将修复图像和目标图像一起输入至多尺度判别器中，通过卷积层和池化层对图像进行不同尺度的下采样，对不同分辨率下的修复图像进行多尺度判别，计算对抗损失；

通过反向传播对判别器的参数依据对抗损失进行更新，并进一步结合生成器计算的对抗损失、绝对值损失和特征匹配损失，通过反向传播对生成器参数进行梯度下降更新；所述绝对值损失为，修复图像像素值和目标图像像素值的绝对值损失。

4.如权利要求3所述的基于图像修复的光伏电站功率预测方法，其特征在于，将缺损图像输入至生成器，生成器对缺损图像进行修复，具体为：将经过掩码处理的随机缺损云图输入至生成器，得到修复图像。

5.如权利要求3所述的基于图像修复的光伏电站功率预测方法，其特征在于，计算对抗损失；具体为：；

其中，M表示训练批次中样本的数量，G(I)表示生成器生成的修复图像，D(G(I))是判别器对修复图像的评价，D(T)是判别器对目标图像的评价，判别器的目标是最小化LD，使其能够更好的区分修复图像和目标图像。

6.如权利要求3所述的基于图像修复的光伏电站功率预测方法，其特征在于，通过反向传播对判别器的参数依据对抗损失进行更新，并进一步结合生成器计算的对抗损失、绝对值损失和特征匹配损失，通过反向传播对生成器参数进行梯度下降更新，包括：根据生成器对抗损失、绝对值损失和特征匹配损失更新生成器的权重和偏差，得到样本中的平均损失，并基于批次中所有样本的平均损失再次更新模型参数。

7.如权利要求6所述的基于图像修复的光伏电站功率预测方法，其特征在于，生成器对抗损失，如下式所示：；

绝对值损失，如下式所示：

；

其中，N表示修复图像与目标图像的像素总数，Iij表示修复图像第i行第j列的像素值，Tij表示目标图像第i行第j列的像素值，LL1通过对像素差异进行计算，使生成器参数朝向像素差异降低的方向进行迭代更新。

8.如权利要求6所述的基于图像修复的光伏电站功率预测方法，其特征在于，特征匹配损失，如下式所示：；

(i)

其中，T是总层数；Ni表示第i层的特征元素数量；Dk (T)表示目标图像在第k个判别器(i)尺度下第i层的特征表示；Dk (G(I))表示修复图像在第k个判别器尺度下第i层的特征表示，特征匹配损失的目标是最小化修复图像和目标图像的特征差异，提高修复图像的特征匹配度。

9.基于图像修复的光伏电站功率预测系统，其特征在于，包括：数据准备模块，被配置为：获取目标光伏电站当前时刻的输出功率和对应时刻的光伏阵列图像信息，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图；所述云团特征包括云团的形状、大小和厚度；

图像修复模块，被配置为：得到的虚拟云图基于训练完毕的图像修复模型，得到修复后的完整虚拟云图；

预测结果输出模块，被配置为：分析修复前虚拟云图的像素与光伏电站输出功率的线性关系，基于得到的线性关系，将修复后的完整虚拟云图转换为光伏阵列集群输出功率，获取功率预测结果。