1.一种基于注意力机制与强化学习的超短期DNI预测方法，其特征在于，包括如下步骤：步骤1、多源数据采集与时间特征构建：采集来自聚光太阳能热发电系统的直接法向辐照度数据，并同步记录气象要素；通过对数据时间戳进行对齐与插值补齐，获得连续完整的时间序列；通过引入时间周期特征，以正弦与余弦函数形式表达日周期与年周期变化特征；

步骤2、数据预处理与滑动窗口构造：对所述时间序列执行标准化、异常检测及缺失填补处理，消除数据尺度差异；通过滑动窗口构建时序样本，在局部时间范围内学习变化规律；

步骤3、双向长短期记忆网络特征提取：利用双向结构LSTM提取时间序列中的前向与后向依赖特征，同时捕获辐照度的短期动态与滞后效应；通过Bi‑LSTM的门控机制，在保留长期信息的同时自适应遗忘无关历史，降低预测偏移；

步骤4、基于云量的注意力加权机制：构建加性注意力结构，通过计算各时间步隐状态与云量特征的相关性，生成权重系数，对隐状态加权求和得到全局特征表示，动态聚焦于受天气突变影响时间片段，提升复杂气象条件下的预测精度；

步骤5、KAN 非线性映射与近端策略优化强化学习算法：将注意力特征输入KAN，通过一元可学习函数组合拟合DNI与气象特征之间的复杂非线性关系，利用近端策略优化强化学习算法进行参数的策略梯度更新，通过剪切机制与熵正则项平衡探索与收敛速度；

步骤6、预测输出与性能评估：输出25分钟间隔的超短期预测序列，通过计算若干评价指标，评估模型在不同天气场景下的泛化性能与稳定性。

2.根据权利要求1所述的超短期DNI预测方法，其特征在于，步骤1所述多源数据采集与时间特征构建，包括：步骤1.1、多元输入序列定义：采集聚光太阳能热发电系统的历史实测直接法向辐照度数据及气象特征数据，包括温度、湿度、风速、气压和云量信息，得到时间序列 ：；

其中， 为时间变量， 为 时刻的输入数据， 为时间序列总长度， 为 时刻的直接法向辐照度值， 分别为 时刻对应的温度、湿度、风速、气压及云量特征；

步骤1.2、多源数据同步：将原始时间戳集合 映射到统一时间基准 ，对齐过程为：；

其中， 表示对齐后的观测值， 为时间对齐算子， 为原始信号， 为目标参考时间戳， 为原始信号 在时间戳 上的取值， 为另一个数据源的时间戳， 为求使表达式最小的那个 ， 为当前时刻找到的最匹配的时间戳， 表示对齐后的观测值；

步骤1.3、针对缺测时间点 ，在相邻两个有效观测点 与 之间采用线性插值法补齐数据；

；

其中， 为待插值时间点 的插值结果， 为前一相邻时间点 的观测值，为前一相邻时间点 的观测值， 为待插值的目标时间戳， 为后一观测点的时间戳；

步骤1.4、经对齐与插值后的完整时间序列 表示为：；

其中，为插值算子， 为统一时间基准；

步骤1.5、对时间变量 进行周期特征映射，提升对昼夜与季节变化的感知能力：；

其中， 为时间编码函数， 为日周期， 为年周期，用于捕捉日照变化规律；

得到最终的输入特征 ： ；其中， 为 时刻的原始观测。

3.根据权利要求2所述的超短期DNI预测方法，其特征在于，步骤1.3中，当连续缺测样本数量大于等于预设阈值时，采用移动均值或指数加权平滑插值方式补齐数据：；

其中， 为偏移量 对应的权重， 为 时刻的原始观测值， 为 时刻的平滑值，为滑动窗口半径， 为衰减系数用于控制邻近时刻的权重衰减。

4.根据权利要求2所述的超短期DNI预测方法，其特征在于，步骤2所述数据预处理与滑动窗口构造，包括：步骤2.1、对原始观测 进行归一化处理，使不同量纲变量在模型中具有均衡权重；

；

其中， 为原始数据的均值， 为原始数据的标准差， 为 时刻标准化后的特征值；

步骤2.2、通过窗口宽度 与步长 滑动生成时序样本，既保留短期波动特征，又维持计算可控，滑动窗口构造为：；

其中， 为 时刻的输入特征， 为 时刻的输入特征；

步骤2.3、对风速与云量特征应用双向指数平滑，减少测量噪声对后续学习的影响。

5.根据权利要求4所述的超短期DNI预测方法，其特征在于，步骤3所述双向长短期记忆网络特征提取，包括：步骤3.1、利用双向长短期记忆网络提取DNI时间序列特征，建立时序依赖关系，其隐藏状态更新过程为：；

其中， 分别为遗忘门、输入门与输出门； 为Sigmoid  函数，为权重矩阵； 分别为 时刻的隐藏状态与 时刻的隐藏状态， 分别为遗忘门偏置项、输入门偏置项、输出门偏置项以及候选状态偏置项， 为候选细胞状态， 分别为 时刻的细胞状态与 时刻的细胞状态；

步骤3.2、融合前后时间上下文 ，实现对突变后时段的延迟响应修正；其中， 、 分别为 时刻的前向隐藏状态和 时刻的后向隐藏状态， 为 时刻的双向融合隐藏状态。

6.根据权利要求5所述的超短期DNI预测方法，其特征在于，步骤4所述基于云量的注意力加权机制，包括：步骤4.1、引入注意力机制，聚焦关键时间片段和重要气象因子，注意力机制采用矩阵形式计算，定义：；

其中， 分别为查询矩阵、键矩阵和值矩阵， 、 、 分别为 的投影权重矩阵；

步骤4.2、构建基于云量动态特征的注意力机制，计算注意力权重 ：；

其中， 分别为 时刻的查询特征和候选特征， 分别为 时刻的查询特征和候选特征， 函数为相似度分数，用于量化云量与隐藏状态的相关性；

步骤4.3、引入云量信息，融合云量信息的加性注意力函数为：；

其中， 为云量子特征； 为可学习参数； 为 时刻的相似度分数；

步骤4.4、归一化权重与上下文向量：

；

其中， 为所有历史状态的指数分数总和， 为历史状态的总数量，为注意力融合后的最终特征向量。

7.根据权利要求6所述的超短期DNI预测方法，其特征在于，步骤5所述KAN非线性映射，包括：采用Kolmogorov–Arnold网络替代传统全连接层，对高维特征进行非线性函数映射与自适应逼近，映射关系为：；

其中， 和 为可学习的一元函数，p为输入特征的索引，q为隐藏层节点的索引，为第p个输入特征，P、Q分别为输入特征的维度和输出层的神经元数量， 为最终输出；

基于Kolmogorov–Arnold表示定理，将多维输入特征通过可学习的一元函数组合，进行非线性特征自适应建模，增强模型对复杂气象特征的拟合能力，实现非线性特征组合与可解释性增强，激活函数为：；

其中， 、 、 分别为第 个函数的缩放系数、斜率系数和平移系数， 、 、 分别为第 个函数的缩放系数、周期系数和平移系数。

8.根据权利要求6所述的超短期DNI预测方法，其特征在于，步骤5所述近端策略优化强化学习算法，通过奖励函数实现预测误差的自反馈修正，定义优化目标 为：；

其中， 为对所有样本取期望， 为剪切阈值， 为裁剪操作， 为第 个样本的优势函数， 为新旧策略的概率比， 为策略网络的可训练参数；

定义总损失函数 为：

；

其中， 、 分别为价值网络损失权重和熵正则化权重； 为价值网络损失，用于保证价值估计精度； 为策略熵损失，用于增强策略探索性；第二项保证价值估计精度，第三项增强策略探索性，具体表达式如下：；

其中， 表示当前策略函数， 为价值函数， 为第 个样本的环境状态， 为第 个样本的累计奖励， 为熵正则化权重超参数；、为智能体的候选动作、状态。

9.根据权利要求1所述的超短期DNI预测方法，其特征在于，步骤6所述输出25分钟间隔的超短期预测序列，表示为：；

其中， 至 为第 至 个时间步的预测值； 为DNI预测结果，用于聚光太阳能电站的实时调度与能量控制。

10.根据权利要求9所述的超短期DNI预测方法，其特征在于，步骤6所述评价指标，包括：；

；

；

；

其中， 为均方误差， 为平均绝对百分比误差， 为平均绝对误差， 为判定系数， 为真实值， 为预测值， 为真实值的平均值, 为时间序列总长度。