1.一种光伏出力概率预测方法，其特征在于，包括：

获取待预测区域的历史天气因素数据、预测天气因素数据，以及历史光伏出力数据；

根据所述历史天气因素数据、所述预测天气因素数据、所述历史光伏出力数据，确定光伏出力点预测值；

采用所述历史天气因素数据、所述历史光伏出力数据、所述光伏出力点预测值，计算光伏出力、天气因素和所述光伏出力点预测值之间的相关性系数和共线性强度；

根据所述相关性系数和所述共线性强度，从所述天气因素中确定目标天气变量；

采用所述目标天气变量、所述光伏出力、所述光伏出力点预测值构建藤Copula模型；

根据所述藤Copula模型、所述预测天气因素数据、所述光伏出力点预测值、预设的置信水平，确定光伏出力置信区间；

所述采用所述目标天气变量、所述光伏出力、所述光伏出力点预测值构建藤Copula模型，具体包括：S51、利用非参数核密度估计法，分别对所述目标天气变量、所述光伏出力、所述光伏出力点预测值进行概率积分变换，得到所述目标天气变量的边缘概率分布、所述光伏出力的边缘概率分布、所述光伏出力点预测值的边缘概率分布；

S52、采用强化学习算法，确定所述目标天气变量、所述光伏出力、所述光伏出力点预测值之间的最优连接关系；

S53、以所述目标天气变量的边缘概率分布、所述光伏出力的边缘概率分布、所述光伏出力点预测值的边缘概率分布分别作为藤树节点，利用所述最优连接关系将各所述藤树节点进行连接，得到目标藤树；

S54、采用最大似然估计法和赤池信息准则法确定所述目标藤树中各边的最优Copula函数和所述最优Copula函数的参数值，并利用所述最优Copula函数、所述最优Copula函数的参数值、各所述藤树节点分别计算得到所述目标藤树中每条边的条件概率；

S55、分别将所述每条边的条件概率作为下一棵藤树的藤树节点；

S56、采用强化学习算法，确定所述下一棵藤树的各藤树节点之间的最优连接关系；

S57、根据所述下一棵藤树的各藤树节点之间的最优连接关系，将所述下一棵藤树的各藤树节点进行连接，得到所述下一棵藤树；

S58、将所述下一棵藤树更新为步骤S54中的目标藤树，并跳转执行S59；

S59、循环执行步骤S54至步骤S58，直至步骤S58中更新后的目标藤树仅具有一条边时，停止循环，并输出所述目标藤树以及各所述更新后的目标藤树作为所述藤Copula模型；

所述采用最大似然估计法和赤池信息准则法确定所述目标藤树中各边的最优Copula函数和所述最优Copula函数的参数值包括：分别获取所述目标藤树中每条边的多个Copula函数；

利用最大似然估计法计算每个所述Copula函数的参数值；

根据各所述Copula函数和各所述Copula函数的参数值，分别计算各所述Copula函数的AIC值；

将AIC值最小的Copula函数作为最优Copula函数，并将AIC值最小的Copula函数的参数值作为最优Copula函数的函数值。

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史天气因素数据、所述预测天气因素数据、所述历史光伏出力数据，确定光伏出力点预测值包括：将所述历史天气因素数据、所述预测天气因素数据、所述历史光伏出力数据，在时间维度上进行同步对齐；

按照预设的划分比例，将同步对齐后的所述历史天气因素数据、所述预测天气因素数据、所述历史光伏出力数据，划分为训练集、验证集和待预测集；

采用所述训练集和所述验证集，对预先构建完毕的光伏出力点预测模型进行训练，并将所述待预测集输入训练完毕的光伏出力点预测模型中，输出得到所述光伏出力点预测值。

3.根据权利要求2所述的方法，其特征在于，所述采用所述历史天气因素数据、所述历史光伏出力数据、所述光伏出力点预测值，计算光伏出力、天气因素和所述光伏出力点预测值之间的相关性系数和共线性强度包括：将所述历史天气因素数据、所述历史光伏出力数据以及所述光伏出力点预测值分别进行归一化；

基于归一化后的历史天气因素数据、所述历史光伏出力数据以及所述光伏出力点预测值，计算光伏出力、天气因素和所述光伏出力点预测值之间的肯德尔相关系数和方差膨胀因子；

将所述肯德尔相关系数作为相关性系数，并将所述方差膨胀因子作为共线性强度。

4.根据权利要求1所述的方法，其特征在于，所述根据所述藤Copula模型、所述预测天气因素数据、所述光伏出力点预测值、预设的置信水平，确定光伏出力置信区间具体包括：对所述藤Copula模型进行倒推，得到所述光伏出力的分位数回归表达式；

将所述预测天气因素数据、所述光伏出力点预测值、预设的置信水平输入所述分位数回归表达式中，输出得到光伏出力置信区间。

5.一种光伏出力概率预测装置，其特征在于，包括：

获取模块，用于获取待预测区域的历史天气因素数据、预测天气因素数据，以及历史光伏出力数据；

第一确定模块，用于根据所述历史天气因素数据、所述预测天气因素数据、所述历史光伏出力数据，确定光伏出力点预测值；

计算模块，用于所述历史天气因素数据、所述历史光伏出力数据、所述光伏出力点预测值，计算光伏出力、天气因素和所述光伏出力点预测值之间的相关性系数和共线性强度；

第二确定模块，根据所述相关性系数和所述共线性强度，从所述天气因素中确定目标天气变量；

构建模块，采用所述目标天气变量、所述光伏出力、所述光伏出力点预测值构建藤Copula模型；

预测模块，用于根据所述藤Copula模型、所述预测天气因素数据、所述光伏出力点预测值、预设的置信水平，确定光伏出力置信区间；

所述构建模块具体用于执行以下步骤：

S51、利用非参数核密度估计法，分别对所述目标天气变量、所述光伏出力、所述光伏出力点预测值进行概率积分变换，得到所述目标天气变量的边缘概率分布、所述光伏出力的边缘概率分布、所述光伏出力点预测值的边缘概率分布；

S52、采用强化学习算法，确定所述目标天气变量、所述光伏出力、所述光伏出力点预测值之间的最优连接关系；

S53、以所述目标天气变量的边缘概率分布、所述光伏出力的边缘概率分布、所述光伏出力点预测值的边缘概率分布分别作为藤树节点，利用所述最优连接关系将各所述藤树节点进行连接，得到目标藤树；

S54、采用最大似然估计法和赤池信息准则法确定所述目标藤树中各边的最优Copula函数和所述最优Copula函数的参数值，并利用所述最优Copula函数、所述最优Copula函数的参数值、各所述藤树节点分别计算得到所述目标藤树中每条边的条件概率；

S55、分别将所述每条边的条件概率作为下一棵藤树的藤树节点；

S56、采用强化学习算法，确定所述下一棵藤树的各藤树节点之间的最优连接关系；

S57、根据所述下一棵藤树的各藤树节点之间的最优连接关系，将所述下一棵藤树的各藤树节点进行连接，得到所述下一棵藤树；

S58、将所述下一棵藤树更新为步骤S54中的目标藤树，并跳转执行S59；

S59、循环执行步骤S54至步骤S58，直至步骤S58中更新后的目标藤树仅具有一条边时，停止循环，并输出所述目标藤树以及各所述更新后的目标藤树作为所述藤Copula模型；

所述采用最大似然估计法和赤池信息准则法确定所述目标藤树中各边的最优Copula函数和所述最优Copula函数的参数值包括：分别获取所述目标藤树中每条边的多个Copula函数；

利用最大似然估计法计算每个所述Copula函数的参数值；

根据各所述Copula函数和各所述Copula函数的参数值，分别计算各所述Copula函数的AIC值；

将AIC值最小的Copula函数作为最优Copula函数，并将AIC值最小的Copula函数的参数值作为最优Copula函数的函数值。

6.根据权利要求5所述的装置，其特征在于，所述第一确定模块，包括：对齐模块，用于将所述历史天气因素数据、所述预测天气因素数据、所述历史光伏出力数据，在时间维度上进行同步对齐；

划分模块，用于按照预设的划分比例，将同步对齐后的所述历史天气因素数据、所述预测天气因素数据、所述历史光伏出力数据，划分为训练集、验证集和待预测集；

训练模块，用于采用所述训练集和所述验证集，对预先构建完毕的光伏出力点预测模型进行训练，并将所述待预测集输入训练完毕的光伏出力点预测模型中，输出得到所述光伏出力点预测值。

7.一种电子设备，其特征在于，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行如权利要求1‑4任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如权利要求1‑4任一项所述的方法。