1.一种光伏发电方案预测方法，其特征在于，所述方法包括：步骤S1：接收工作人员输入的光伏发电数据的预测指标，根据预测指标确定中继端的类型；其中，类型的取值空间与预测指标的指标空间相同；所述预测指标含有顺序特征；

步骤S2：获取光伏发电区中所有预测对象的位置，根据所述位置确定中继端位置，基于中继端的类型对每个中继端进行类型标定；其中，在类型标定的过程中，在中继端中同步插入分类器；

步骤S3：由中继端采集光伏发电数据，根据当前中继端的类型在光伏发电数据中插入类型标签；其中，插入类型标签时记录次序；

步骤S4：由内置于中继端的分类器对光伏发电数据进行分类，确定下一中继端；

步骤S5：循环执行步骤S3和步骤S4，当任一中继端获取到的光伏发电数据的所有类型标签构建的标签集与取值空间的差集为空时，将含有类型标签的光伏发电数据向总控端发送；

步骤S6：由总控端对光伏发电数据进行识别，计算预测分，同步训练含有次序的类型标签‑预测分的神经网络模型；

所述获取光伏发电区中所有预测对象的位置，根据所述位置确定中继端位置，基于中继端的类型对每个中继端进行类型标定的步骤包括：查询光伏发电区中所有预测对象的位置及供电需求量；

基于所述供电需求量确定各位置的影响半径，构建影响圆；

统计所有影响圆，计算交集，将交集对应的影响圆数量作为交集的核心度；

根据核心度的降序选取交集，在选取到的交集中随机选取位置，作为中继端位置，设置中继端；

计算每个预测对象和每个中继端的传输耗时，对每个预测对象，选取最小传输耗时对应的中继端，建立连接通道；

基于中继端的类型对每个中继端进行类型标定；

所述基于中继端的类型对每个中继端进行类型标定的步骤包括：获取中继端的类型的类型数，根据所述类型数对中继端的总数进行配准；

基于类型数对配准后的总数进行分配，得到每种类型的中继端数量；

基于每种类型的中继端数量选取中继端，进行类型标定；

每种类型选取出的中继端均满足条件： ；

；式中， 为每种类型的所有中继端的总数，为预设的阈值， 是第i个中继端的坐标， 是同一类型的中继端中第 个中继端的坐标，为非零整数， 为点 和点 的距离。

2.根据权利要求1所述的光伏发电方案预测方法，其特征在于，所述由内置于中继端的分类器对光伏发电数据进行分类，确定下一中继端的步骤包括：获取光伏发电数据样本，对各样本中的各个指标进行正向化；

根据正向化后的最值和均值确定等差数列；

对中继端获取到的光伏发电数据，根据中继端的类型定位光伏发电数据的指标，对指标进行正向化后，根据等差数列确定其匹配序号；

根据匹配序号查询下一指标，查询下一指标对应的中继端并随机选取一个，作为下一中继端。

3.根据权利要求2所述的光伏发电方案预测方法，其特征在于，正向化的规则为：当指标为逆向指标时： ；

当指标为适度指标时： ；

等差数列的公差为： ；

上述内容中， 为某一指标正向化前的第j个数值， 为某一指标正向化后的第j个数值，k为预设的标准值；A为公差， 为正向化后的数值的最大值， 为正向化后的数值的最大值， 为正向化后的数值的平均值，为预设的修正系数。

4.根据权利要求3所述的光伏发电方案预测方法，其特征在于，所述由总控端对光伏发电数据进行识别，计算预测分，同步训练含有次序的类型标签‑预测分的神经网络模型的步骤包括：由总控端基于熵权法对光伏发电数据进行识别，计算预测分；

获取含有次序的类型标签，作为输入，将预测分作为输出，构建样本集；

由样本集训练含有次序的类型标签‑预测分的神经网络模型；

实时计算神经网络模型的准确率，基于准确率的调整熵权法和神经网络模型的使用频率。

5.一种光伏发电方案预测系统，其特征在于，所述系统包括：初始化模块，用于接收工作人员输入的光伏发电数据的预测指标，根据预测指标确定中继端的类型；其中，类型的取值空间与预测指标的指标空间相同；所述预测指标含有顺序特征；

类型标定模块，用于获取光伏发电区中所有预测对象的位置，根据所述位置确定中继端位置，基于中继端的类型对每个中继端进行类型标定；其中，在类型标定的过程中，在中继端中同步插入分类器；

标签插入模块，用于由中继端采集光伏发电数据，根据当前中继端的类型在光伏发电数据中插入类型标签；其中，插入类型标签时记录次序；

数据分类模块，用于由内置于中继端的分类器对光伏发电数据进行分类，确定下一中继端；

数据上传模块，用于循环执行标签插入模块和数据分类模块，当任一中继端获取到的光伏发电数据的所有类型标签构建的标签集与取值空间的差集为空时，将含有类型标签的光伏发电数据向总控端发送；

模型训练模块，用于由总控端对光伏发电数据进行识别，计算预测分，同步训练含有次序的类型标签‑预测分的神经网络模型；

所述类型标定模块包括：

信息获取单元，用于查询光伏发电区中所有预测对象的位置及供电需求量；

影响圆构建单元，用于基于所述供电需求量确定各位置的影响半径，构建影响圆；

核心度计算单元，用于统计所有影响圆，计算交集，将交集对应的影响圆数量作为交集的核心度；

位置选取单元，用于根据核心度的降序选取交集，在选取到的交集中随机选取位置，作为中继端位置，设置中继端；

通道建立单元，用于计算每个预测对象和每个中继端的传输耗时，对每个预测对象，选取最小传输耗时对应的中继端，建立连接通道；

标定执行单元，用于基于中继端的类型对每个中继端进行类型标定；

所述基于中继端的类型对每个中继端进行类型标定的内容包括：获取中继端的类型的类型数，根据所述类型数对中继端的总数进行配准；

基于类型数对配准后的总数进行分配，得到每种类型的中继端数量；

基于每种类型的中继端数量选取中继端，进行类型标定；

每种类型选取出的中继端均满足条件： ；

；式中， 为每种类型的所有中继端的总数，为预设的阈值， 是第i个中继端的坐标， 是同一类型的中继端中第 个中继端的坐标，为非零整数， 为点 和点 的距离。

6.根据权利要求5所述的光伏发电方案预测系统，其特征在于，所述标签插入模块包括：正向化单元，用于获取光伏发电数据样本，对各样本中的各个指标进行正向化；

数列构建单元，用于根据正向化后的最值和均值确定等差数列；

数据匹配单元，用于对中继端获取到的光伏发电数据，根据中继端的类型定位光伏发电数据的指标，对指标进行正向化后，根据等差数列确定其匹配序号；

查询选取单元，用于根据匹配序号查询下一指标，查询下一指标对应的中继端并随机选取一个，作为下一中继端。

7.根据权利要求6所述的光伏发电方案预测系统，其特征在于，所述模型训练模块包括：数据识别单元，用于由总控端基于熵权法对光伏发电数据进行识别，计算预测分；

样本集构建单元，用于获取含有次序的类型标签，作为输入，将预测分作为输出，构建样本集；

训练单元，用于由样本集训练含有次序的类型标签‑预测分的神经网络模型；

应用单元，用于实时计算神经网络模型的准确率，基于准确率的调整熵权法和神经网络模型的使用频率。