1.一种基于多维预报偏差订正的光热DNI预测方法，其特征在于，包括以下步骤：步骤1，通过自适应阈值方法进行DNI时间序列数据的清洗预处理操作；

步骤2，将气象因素进行维度拓展，将DNI时间序列数据进行K‑means聚类，识别不同天气类型下的典型日；

步骤3，基于三维融合带有注意力机制的双向门控循环单元BiGRU‑Attention、物理信息神经网络PINN、科尔莫戈夫‑阿诺尔德网络KAN优化算法，以及误差修正的光热电站短期太阳直接法向辐射预测；

步骤1包括：

步骤1‑1，收集历史DNI时间序列数据与对应的气象数据，包括温度、气压和云量；

步骤1‑2，对历史DNI时间序列数据进行预处理，计算标准分数Z‑Score，根据历史标准分数Z‑Score的分布，设置阈值，并通过迭代进行阈值验证和调整，删除高于阈值的数据，将预处理后的DNI时间序列数据记为 ；

步骤1‑3，将DNI时间序列数据 输入模态分解算法VMD进行模态分解并得到DNI分解信号 ， 代表第s个分信号，s表示分信号总数；

步骤1‑4，将DNI分解信号 单独输入自适应调节模型进行分信号特征提取。

2.根据权利要求1所述的方法，其特征在于，步骤1‑4中，所述自适应调节模型执行如下步骤：步骤1‑4‑1，提取极值：对于每个分信号imf，计算并提取最大值 、最小值 和所有极值点，所有极值点组成集合 ，代表提取出的第n个极值点，n表示极值点总数；

步骤1‑4‑2，计算变异系数：

根据DNI的突变事件，计算变异系数 ：，

其中， 表示DNI的突变值， 是历史DNI时间序列数据的平均值；

步骤1‑4‑3，计算动态窗宽 ：，

其中 表示自适应系数；

步骤1‑4‑4，筛选极点：

对于每个极值点，计算极值点与最近邻极点之间的欧氏距离，如果欧氏距离大于动态窗宽 ，满足 ，则保留极值点并计为有效极点 ，其中表示第k个极值点 和第k+1个极值点 的欧式距离；否则，舍弃极值点；最终，将所有满足条件的极值点保留下来，得到有效极值点集合 ， 表示第f个有效极值点；

步骤1‑4‑5，特征增强，包括如下步骤：步骤1‑4‑5‑1，分别采用移动加权平均法和霍尔特线性趋势方法，计算DNI时间序列数据的移动平均或指数平滑：移动加权平均法的公式为：

，

霍尔特线性趋势方法的公式为：

，

其中 表示在时间t的移动加权平均值，用于预测未来的值， 表示权重，用于对不同时间点的观测值赋予不同的权重， 表示DNI在时间i的观测值，用于计算加权平均值， 表示时间t的平滑水平值， 表示水平平滑系数， 为时间t‑1的平滑水平值，为时间t‑1的平滑趋势值； 表示DNI在时间t的观测值；

步骤1‑4‑5‑2，使用傅里叶变换提取季节性成分，并加入气象数据作为辅助特征；

使用离散傅里叶变换DFT：

，

其中， 是第k个频率成分的傅里叶系数， 是时间序列第n个数据点，N是时间序列的长度，k是频率索引，范围从0到N‑1；

从傅里叶变换的结果中，选择代表季节性变化的低频成分，将选择的季节性成分使用傅里叶逆变换IFFT转换回时间域：；

步骤1‑4‑6，处理异常值：使用四分位距IQR和Z‑score方法检测并去除异常值：，

，

其中， 和 表示异常值， 表示DNI平均值， 表示DNI标准差；

表示DNI值的中位数， 表示DNI值的四分位距；

步骤1‑4‑7，多尺度分析：使用小波变换的方法对DNI信号进行多尺度分解：，

其中 表示小波变换系数，指信号在尺度a和位置b上的特征，是小波函数的复共轭，a是尺度参数，控制小波函数的伸缩，b是平移参数， 表示对于DNI变化的t的函数；d是积分符号。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：步骤2‑1，将气象因素进行维度拓展和加权分析，并结合衍生特征构建特征矩阵，包括如下步骤：步骤2‑1‑1，收集包括云量、气压、温度、湿度和风速的气象数据；

步骤2‑1‑2，进行数据预处理，使用插值、均值填充处理缺失值，并将不同量纲的数据转换为同一尺度，使用Min‑Max进行归一化操作：，

其中， 表示归一化后的值， 表示原始数据中处于m行n列的数据；

步骤2‑1‑3，计算衍生特征，使用差分方法分别计算云量、气压、温度、湿度、风速的变化率 ，其中， 表示变化值， 表示后一时间点对应的数值，将除以时间间隔 得到气象数据的变化率；

步骤2‑1‑4，通过Pearson相关性分析得出各项气象数据对于光热DNI的影响系数，进行加权分析： ，

其中，r表示相关系数， 表示不同气象数据在i时刻的数值， 表示整组数据的平均值， 表示i时刻DNI数据，表示整组数据的DNI数据平均值；

步骤2‑1‑5，将处理后的特征按列排列，形成矩阵X：，

其中 指代在步长内的不同气象因素原数值， 指气象数据的变化率， 指气象数据在Pearson分析中的光热DNI相关系数，具体表示为：，

其中， 分别指代在i时刻的风

速、气压、温度、云量、湿度的数据；

，

其中 、 、 、 、

分别指代在i时间点的风速的变化率数值、气压的变化率数值、温度的变化率数值、云量的变化率数值和湿度的变化率数值；

，

其中 、 、 、 、 分别指代风速的与DNI的相关系数、气压的与DNI的相关系数、温度的与DNI的相关系数、云量的与DNI的相关系数和湿度的与DNI的相关系数；

步骤2‑2，将矩阵X作为输入，进行K‑means聚类，识别不同天气类型下的典型日，包括如下步骤：步骤2‑2‑1，进行K‑means聚类：使用K‑means算法的目标是最小化如下目标函数：，

其中，K代表聚类个数， 是簇内平方和的值， 是第 个簇， 是第 个簇的聚类中心， 是第j个数据点 与聚类中心 之间的欧几里得距离的平方；

K‑means聚类包括如下步骤：步骤2‑2‑1‑1，初始化：随机选择Q个数据点作为初始聚类中心：；

其中 表示第 个簇的初始聚类中心， 表示第 个簇中的第一个数据点；

步骤2‑2‑1‑2，分配：对于每个数据点，计算数据点与各个聚类中心的距离，并将数据点分配到最近的聚类中心所代表的簇中：；

其中， 表示第j个数据点 与第 个簇的聚类中心 之间的欧几里得距离； 表示第j个数据点 与第q个簇的聚类中心 之间的欧几里得距离；

步骤2‑2‑1‑3，重新计算每个簇的聚类中心；

步骤2‑2‑1‑4，迭代：重复步骤2‑2‑1‑2 步骤2‑2‑1‑3，直到满足条件；

~

步骤2‑2‑1‑5，分析每个聚类中的数据点，确定每个聚类代表的天气类型，并在每个聚类中，选择最接近聚类中心的数据点作为典型日。

4.根据权利要求3所述的方法，其特征在于，步骤2‑2‑1‑3中，采用如下公式重新计算每个簇的聚类中心：。

5.根据权利要求4所述的方法，其特征在于，步骤3包括：步骤3‑1，使用门控循环单元GRU作为底层核心网络，并进行优化，优化为带有注意力机制的双向门控循环单元BiGRU‑Attention；

和 分别为更新门和重置门； 为t时刻隐藏状态； 为t‑1时刻隐藏状态； 为sigmoid激活函数；为t时刻门控循环单元GRU的输入； 为双曲正切函数，由门控循环单元GRU的结构图得到前向传播表达式：，

，

，

，

，

其中， 为权重参数； 为t时刻GRU网络的输出； 为偏置参数； 为候选隐藏状态； 为矩阵按元素相乘； 为输出层权重；

双向门控循环单元BiGRU的信息传递分为了前向和后向两个方向，将前向输入数据转化的输出向量与后向输入数据转化的输出向量相结合得到最终的输出向量，双向门控循环单元BiGRU的隐藏层状态 表达式为：，

，

，

其中， 为GRU网络的运算过程； ， 分别表示t时刻前向隐藏层的权重和状态； ， 分别表示t时刻后向隐藏层权重与状态； 为t时刻隐藏层状态的偏置；

引入注意力机制时，设双向门控循环单元BiGRU的输出为 ，其中 是双向门控循环单元BiGRU在第t个时间步的前向输出和后向输出的拼接结果；

首先计算每个时间步的注意力权重：，

，

其中 表示加入注意力模型的分数函数， 和 为学习参数，为一个权重变量，T表示矩阵转置， 表示时间步t的注意力权重；

计算加权输出c：

；

步骤3‑2，将步骤3‑1的输出量c作为输入，输入物理信息神经网络PINN进行优化;步骤3‑3，将步骤3‑2的输出结果作为输入，输入知识增强网络KAN进行进一步优化，得到初步预测值；

步骤3‑4，通过初步预测值求出误差序列，对误差序列使用双向门控循环单元BiGRU进行预测，将预测后的误差序列与初步预测结果作算术和，得到最终预测结果。

6.根据权利要求5所述的方法，其特征在于，步骤3‑2包括：步骤3‑2‑1，构建神经网络框架：构建一个包含有物理信息的神经网络 ，其中是网络的参数， 是预测物理量， 和 分别是空间变量和时间变量；神经网络 能够接收来自步骤3‑1中的加权输出c，并且融入地理位置因素和云量、温度和气象数据；

步骤3‑2‑2，整合物理定律；

融入能量守恒定律，辐射传输方程和大气辐射模型，并以偏微分方程的形式表达，其中，能量守恒定律表示为：，

其中 表示能量密度的变化率， 是能量流的散度；

辐射传输方程表示为：

；

其中， 表示辐射强度， 表示起始角， 是辐射角，s是沿传播方向的距离， 是吸收系数，B是黑体辐射强度， 是散射相函数，表示在散射角 方向上的散射光强度，是立体角元素；I是Irradiation辐照；

大气辐射模型表示为：

，

其中，z表示垂直高度， 表示吸收系数， 表示散射系数， 表示散射相函数， 表示散射角度， 表示散射强度， 表示高度z处的大气发射强度；

步骤3‑2‑3，定义损失函数；

设步骤3‑2‑2中关于辐射传输方程和大气辐射模型的偏微分方程表示为：，

其中L是包含导数运算的算子；

将步骤3‑2‑2中的偏微分方程的残差作为损失函数的一部分，并且分别定义数据损失、物理损伤和正则化项；损失函数L是数据损失和偏微分方程残差损失的加权组合；

设原始GRU损失函数为均方误差 ，PDE残差损失 表示为：，

，

其中，是权重系数；

步骤3‑2‑5，训练网络：

使用带有物理信息的损失函数来训练神经网络，并且优化数据损失和物理损失，得到优化预测结果，首先，进行前向传播，计算网络输出 和PDE残差 ；

然后，通过加权组合得到损失函数 ；

最后，进行反向传播，计算网络参数 的梯度，并且根据梯度下降法更新网络参数 ，表达式为：，

其中， 表示学习率， 表示网络参数 的梯度， 表示使用右边的式子更新网络参数，从而得到初步预测的DNI序列。

7.根据权利要求6所述的方法，其特征在于，步骤3‑3包括：步骤3‑3‑1，提取知识：提取影响DNI时间序列数据预测的相关知识，并将相关知识编码为可操作的数学形式；

步骤3‑3‑2，知识嵌入：设原始GRU损失函数为均方误差 ，将融合知识后的损失函数修改为：，

其中， 是与知识相关的损失项， 是平衡数据损失和知识损失的权重系数， 定义为：；

其中， 为第i个样本点上正在训练的模型输出， 是在i时刻的GRU网络中先验知识模型的输出；

预测结果 为：

，

其中， 是GRU网络的输出， 是调整知识影响的权重。

8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的方法的步骤。

9.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令在计算机上运行时，执行如权利要求1至7中任一项所述的方法的步骤。