1.一种融合领域知识的深度学习光伏发电长期预测方法，其特征在于，包括以下步骤：

（1）构建气象特征精细化分类模块，对原始气象数据进行分类处理，生成离散天气类别标签；气象特征精细化分类模块包括风向分类子模块、天空状况分类子模块和降水类型分类子模块；风向分类子模块用于将连续风向角按方位规则离散化为风向八方位标签；天空状况分类子模块结合漫射率、辐照波动及日出日落信息进行天空类型划分；降水类型分类子模块基于露点温度差、气压突变和湿度梯度构建规则树进行降水形态判别；

（2）将离散天气类别标签进行嵌入表示，并与原始连续气象特征拼接，形成增强输入序列；嵌入表示具体如下：对各类离散天气类别标签进行整数编码，生成类别索引；通过独立的嵌入层将各类别索引映射为低维向量；将低维向量与原始连续气象特征拼接，形成增强输入序列；

（3）将增强输入序列输入至Fusionformer模型中，进行光伏发电功率预测；

Fusionformer模型包括局部注意力模块、频域增强模块、全局注意力模块和门控卷积混合器模块；频域增强模块具体如下：对输入序列进行傅里叶变换，转换为频域表示；在频域中使用多层感知机提取全局特征；通过逆傅里叶变换将频域特征映射回时域；门控卷积混合器模块具体如下：并行使用空洞卷积和逐点卷积以提取多尺度特征；引入门控线性单元GLU机制进行特征选择与信息过滤；

（4）引入基于光伏物理机理的理论功率建模模块，根据光伏系统参数和气象数据计算理论发电功率；理论功率建模模块中物理模型链计算具体如下：根据地理位置与时间信息计算太阳位置参数并判定昼夜时段；将预测气象数据中的辐照度分量换算至组件倾斜面得到阵列面总辐照，结合入射角修正获得有效辐照量；基于模块温度模型利用环境温度及风速估算组件电池片温度；再依据组件的电气特性参数和估算的温度计算最大功率点下的直流输出功率，并通过逆变器模型映射为交流输出功率；将得到的交流功率形成与时间轴一一对应的理论发电量序列；

（5）将Fusionformer模型的输出与理论发电功率进行加权融合，得到最终预测结果；还包括对Fusionformer模型预测结果进行后处理裁剪操作，具体如下：将负值预测结果置零；

根据太阳高度角判定夜间时段，并将测值置零。

2.根据权利要求1所述的一种融合领域知识的深度学习光伏发电长期预测方法，其特征在于，步骤（5）中，加权融合具体如下：将Fusionformer模型结果与理论发电功率按预设权重进行线性加权求和。

3.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述程序时实现权利要求1‑2任一项所述方法的步骤。

4.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述程序被处理器执行时实现权利要求1‑2任一项所述方法的步骤。