1.基于联邦学习的跨区域光伏发电功率预测方法，其特征在于：包括以下步骤：步骤1，每个参与光伏发电功率预测的区域对应一个参与者，并且部署一台服务器用于跨区域参数聚合；各个参与者准备包含历史光伏数据和气象数据的本地数据，其中历史光伏数据包含光伏功率时间序列，对本地数据进行预处理；服务器向各参与者分发初始化光伏预测全局模型 ，其中t表示轮数，而g表示该模型为全局模型；

步骤2，在各个参与者接收到初始化光伏预测模型后，将其作为本地模型，并使用本地数据来优化本地模型参数；各参与者将本地模型参数投影至格拉斯曼流形，首先对本地模型每一层模型参数做QR分解，得到正交矩阵Q和上三角矩阵R，随后固定正交矩阵Q，将上三角矩阵R作为第i个参与者在第t轮训练时的待优化流形参数 ；

对于流形参数 的优化目标，具体如公式（1）所示：

（1）

其中，第i个参与者的本地数据为 和 ， 为光伏预测的输入数据， 对应待预测的光伏发电功率；参与者接收到的初始化全局模型为 ，本地数据在初始化全局模型 上的损失为 ，此外格拉斯曼流形的约束条件中固定的参数为 ；

公式（1）中 的更新方式如公式（2）所示：

（2）

其中，表示优化流形参数时的学习率； 表示损失 对流形参数 的梯度；

步骤3，各个参与者的光伏预测模型在本地进行掩码聚合，具体为：各个参与者首先将格拉斯曼流形参数 左乘 ，转换回常规光伏模型参数 ，随后将常规光伏模型参数与全局模型 进行掩码聚合；

步骤4，各个参与者优化光伏预测中的可学习掩码 ；

使用核范数来约束 的秩，具体的优化目标如公式（4）所示： （4）

其中， 表示 的核范数，表示核范数重要性的修正系数， 表示在可学习掩码聚合后的模型在本地数据上的损失；

公式（4）中对于可学习掩码 的更新，具体方式如公式（5）所示： （5）

其中 表示学习率， 表示 对可学习掩码 的梯度；

步骤5，各个参与者将光伏模型参数 发送给服务器，服务器检测异常模型后计算剩余模型的参数平均值作为新全局模型；

步骤6，重复步骤2到步骤5，直到 收敛或者循环到指定次数。

2.根据权利要求1所述的方法，其特征在于：步骤1中，各个参与者准备的本地数据为：第i个参与者的本地数据为 和 ， 为光伏预测的输入数据，包含历史光伏数据和气象数据；其中，历史光伏数据包含三个小时的历史数据，每五分钟的数据对应一个时间点；气象数据包含温度和太阳辐射强度； 为待预测的下个半小时的光伏发电功率。

3.根据权利要求1所述的方法，其特征在于：步骤1中，对本地数据进行预处理步骤为：对数据进行基于K近邻的空缺值填充，其中邻居数量取1，在进行空缺值填充后，对本地数据做均值‑方差的归一化。

4.根据权利要求1所述的方法，其特征在于：步骤1中，光伏预测全局模型 是基于卷积神经网络和长短时记忆网络的时序预测模型，其中，历史光伏数据通过三个一维卷积层得到历史光伏特征，气象数据通过一个全连接网络层得到气象特征；随后，将历史光伏特征和气象特征进行拼接，输入到长短时记忆网络中，然后将该网络的时序预测结果输入到单层的全连接神经网络中得到具体的预测结果。

5.根据权利要求4所述的方法，其特征在于：所述一维卷积层的通道数分别为16，32和

64，滤波器数分别为90、20、50，池化大小为2，卷积核大小为3，步长为1，激活函数选择ReLU；

所述全连接网络层的输出维度为64；所述长短时记忆网络包含100 个单元，设置Dropout率

0.1，激活函数为ReLU。

6.根据权利要求1所述的方法，其特征在于：步骤2中，对网络中所有可优化的参数做QR分解，包含卷积层和全连接层，当卷积层为高维张量结构时，应采用img2col算法转化为矩阵。

7.根据权利要求1所述的方法，其特征在于：步骤3中，将常规光伏模型参数与全局模型进行掩码聚合，具体如公式（3）所示： （3）

其中， 表示第i个参与者在第t轮训练时的可学习掩码，1表示与掩码同维数的全1张量， 表示逐元素乘法；该可学习掩码初始化为全1/2的张量，并且随着训练过程逐步优化。

8.根据权利要求1所述的方法，其特征在于：步骤5中，服务器首先计算所有参与者模型的均值和标准差；当超过20%的模型权重落在三标准差范围外时，该模型被视为异常模型，在聚合时舍弃；对于剩余的正常模型，服务器取这些模型的参数平均值作为新的全局模型，具体如公式（6）所示：其中，I为参与者的数量；

（6）

其中，I为参与者的数量。