1.一种基于多模态特征融合的超短期太阳辐照度预测方法，其特征在于，包括以下步骤：（1）获取待测光伏电站的多源历史数据并进行预处理；

（2）利用时间二维变化模型TimesNet的二维时序卷积从时序多周期特性的角度学习时间序列特征，将历史序列转化为二维张量，利用二维卷积提取时序特征；TimesNet由堆叠的多层时间处理模块TimesBlock组成，包括以下步骤：（21）利用快速傅里叶变换计算一维时序特征的周期，并将其转换为二维张量，计算公式为：；

；

其中， 表示周期计算函数， 表示计算幅值， 、 表示频率和周期，表示变换后的2D张量， 函数在时间序列末尾补0，函数将1D序列重构为2D张量；

（22）选取经典的深度可分离卷积神经网络Inception提取二维时序特征，公式如下：；

其中， 表示二维时序特征，对于提取的时序特征，将其转回一维空间进行信息聚合：；

其中， 函数将序列补充的0去除， 表示聚合的一维时序特征，然后，将得到的一维表征 与对应的频率强度进行加权求和，输出如下：；

；

其中， 为频率 对应的计算幅值， 表示激活函数， 表示输出的一维特征；

最后，时间序列经过多层TimesBlock输出为高度精细的映射时序特征；

（3）利用多层级视觉变换器模型T2T‑ViT从局部和全局两个角度进行图像信息挖掘，提取表征云层分布和运动信息的特征；包括以下步骤：（31）通过T2T‑ViT的图像重构分割模块T2T对天空图像和光流图进行局部信息建模，T2T包括软分割和重组，包括以下步骤：（311）设给定的上层输出的令牌序列Ti，通过自注意力模块进行全局特征提取，然后进行重构，公式如下：；

；

其中， 表示多层自注意力函数， 表示多层感知机函数； 表示’

重构函数， 为自注意力模块的输出， 为重构后图像，l为Ti 的长度，h、w、c分别为高度，宽度和通道数，并且 ；

（312）对获得重构的图像Ii再进行软分割，将图像分割为具有重叠信息的分块，每个分块内的令牌通过连接方式变换为一个令牌，公式如下：；

其中， 表示软分割函数；

（32）在T2T模块的输出Tf上嵌入位置编码，保留位置信息，然后进行特征提取，公式如下：；

；

；

其中， 为位置编码，表示原始图像中每个分块的位置； 为T2T‑ViT主干的输入；y为输出的图像特征； 表示第j层全局特征提取模块的输出；最后，天空图像和光流图经过T2T‑ViT编码，由多层感知机输出天空图像和光流图的特征映射结果；

（4）利用变换器模型Transformer的编码器在图像特征中寻找与时序特征相似的部分并进行注意力的融合；

（5）利用Transformer的解码器直接输出光伏发电功率多步预测结果，并对此进行误差评估。

2.根据权利要求1所述的一种基于多模态特征融合的超短期太阳辐照度预测方法，其特征在于，步骤（1）预处理如下：对原始数据进行异常值剔除和缺失值填补，将文本所有数据标准化处理，将图像数据进行畸变矫正和重采样，计算天空图像连续帧之间的光流图，并将不同模态的输入数据进行对齐，建立特征数据库；包括以下步骤：（11）运用拉依达准则法，设定置信概率，确定置信限，超出置信限的误差不属于随机误差范围，视为异常值剔除；

（12）在剔除异常值的基础上，采用双线性插值法分别对历史辐照度数据、历史气象因子数据中的缺失数据进行填补；

（13）将已经清洗完的历史辐照度数据和历史气象因子数据进行Z‑score标准化处理，公式如下：；

其中，为总体数据的均值，为总体数据的标准差，为观测值，为标准化后的观测值；

（14）采用多棋盘标定法对鱼眼摄像头拍摄的天空图像进行畸变矫正，并且对其进行下采样，得到修正好的天空图像；

（15）采用密集光流算法Farneback对修正后的天空图像进行计算，得到多帧天空图像光流图。

3.根据权利要求1所述的一种基于多模态特征融合的超短期太阳辐照度预测方法，其特征在于，步骤（4）包括以下步骤：（41）以时间序列特征为源特征，由编码器对其进行编码，编码器由L个相同的编码器层堆栈在一起，每个层包含两个子层，分别为自注意力层和全连接前馈层，在两个子层之间用残差网络连接，表征过程公式如下：；

；

其中， 、 和 分别是注意力函数、归一化函数和前馈网络函数； 、和 分别为第l层自注意力模块的查询向量、键向量和值向量； 、 为第l‑1层和l层的输出， 为第l层自注意力子层的输出；

（42）时间序列特征经过多层编码器编码后得到源表征 ，T2T‑ViT提取的天空图像特征 输入到前馈层进行学习得到辅助表征，应用自注意力机制将辅助表征附加到源表征中，公式如下：；

其中， 和 表示天空图像的键向量和值向量，表示强化后的源表征；

将 和 融合得到高效特征，公式如下：；

；

其中， 和 为模型参数； 为激活函数，表示权重，表示融合后的特征。

4.根据权利要求1所述的一种基于多模态特征融合的超短期太阳辐照度预测方法，其特征在于，步骤（5）具体为：由L个完全相同的解码器层堆叠而成的解码器用于超短期太阳辐照度预测,具体如下：首先，采用待测点前的一段长序列 和待测序列 组成起始输入 后，输入注意力和前馈层进行编码；其次，将步骤（4）的最终特征强化映射结果输入到解码器的多头注意力层；最后，由多层感知器生成多步太阳辐照度的预测结果。