1.一种基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，包括如下步骤：
A.数据处理层：采集光伏电场历史有功输出功率序列及数值天气预报时间序列，对收集到的数据进行预处理，然后对每日历史数值天气预报数据基于云量、湿度、大尺度降水、对流降水进行划分，根据短期天气预报国家标准确定天气的区间阈值，将光伏电场功率预测模型分为理想日预测模型和非理想日预测模型；
B.波动定义层：对单日历史有功输出功率序列的波动过程进行定义，然后利用光伏功率波动参数对波动过程进行描绘，光伏功率波动参数包括：光伏日功率序列波动峰值Rm、光伏日功率序列波动频率f、光伏日功率序列波动突变率hm和光伏日功率序列波动对称度DP；
C.波动划分层：根据光伏功率波动参数分别对理想日预测模型和非理想日预测模型下的功率数据进行识别，对理想日预测模型中的功率数据与数值天气预报数据进行统计分析，将功率数据与数值天气预报数据不匹配的数据剔除，按照光伏功率波动参数大小将理想日预测模型中的功率数据与数值天气预报数据定义为理想日波动类型，并得到理想日下的天气分型阈值；对非理想日预测模型中的功率数据与数值天气预报数据进行数学统计分析，按照光伏功率波动参数大小将非理想日预测模型中的功率数据与数值天气预报数据划分为小波动类型、中波动类型、大波动类型及复杂强波动类型，并得到各类型下的分型阈值；
D.预测层：分别构建理想日预测模型与非理想日预测模型下天气因素与光伏功率波动参数的映射模型；根据理想日预测模型与非理想日预测模型中天气因素的极差，定义匹配误差值，然后按照时序构建匹配误差序列，并设置匹配误差阈值，将历史数据库中小于等于匹配误差阈值的数值天气预报数据和光伏功率数据挑选出来，对挑选后的光伏功率数据按照匹配误差值进行加权平均，作为待预测日的初次预报功率；
E.优化层：根据待预测日的数值天气预报数据，按照步骤D所述的预测层的处理步骤，以15min为单位对待预测日前72h的数值天气预报数据进行优化匹配，将优化匹配程度最高时刻的功率预测误差作为该时刻的预测补偿值，将初次预报功率与预测补偿值叠加即为功率最终预测值，从而实现功率预测的滚动优化。
2.如权利要求1所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤A中，对收集的数据进行预处理的过程为：按照时序以15min为分辨率对光伏电场历史有功输出功率数据、历史数值天气预报数据进行缺值补充，最终形成数值天气预报数据与光伏功率数据一一对应的矩阵。
3.如权利要求1所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤A中，根据短期天气预报国家标准确定天气的区间阈值，首先要对光伏电场历史数值天气预报时间序列进行数据预处理，处理公式如下所示：
式中，nwpcls,lag是指光伏电场历史数值天气预报时间序列中，第cls个数值天气预报因子在lag时刻的值，nwpcls,lag中的cls＝1,2,3,4时分别是指云量、湿度、大尺度降水、对流降水这四个数值天气预报因子；nd表示以15min为时间间隔预报下，一天内白天的时间点数量； 是指光伏电场历史数值天气预报时间序列中，第cls个数值天气预报因子的单日白天平均值；
其次，根据大尺度降水、对流降水定义单日白天降水时间：
la lb
式中，pl 为大尺度降水在la时刻下的降水量，单位为毫米；ps 为对流降水在lb时刻下的降水量，单位为毫米；tpl为单日白天中大尺度降水的时间点数量，当大尺度降水量大于0时统计；tps为单日白天中对流降水的时间点数量，当对流降水量大于0时统计；tp为单日白天降水的时间点数量，取tpl和tps中的最大值；
最后根据上述对历史数值天气预报时间序列预处理方法及降水时间定义，结合短期天气预报国家标准给出理想日预测模型与非理想日预测模型的分型公式：
理想日预测模型：
非理想日预测模型：
或
tp∈(0,∞)      (5)
式中， 为云量的单日白天平均值，c1为云量的单日白天平均值在理想日预测模型中的阈值上限，参照短期天气预报国家标准，c1＝0.3。
4.如权利要求1所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤B中，对单日历史有功输出功率序列的波动过程进行定义的过程为：以15min为分辨率，对单日96点的历史有功输出功率序列进行分析，分析之前要对历史有功输出功率序列进行归一化处理：
式中： 为归一化光伏电场功率序列， 其中Pmax,Pmin分别为单日历史有功输出功率序列P中的最大值与最小值。
5.如权利要求1所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤B中，所述光伏日功率序列指光伏电场单日历史有功输出功率序列，其中光伏日功率序列波动峰值Rm如下式所示：
式中， 表示归一化光伏日功率序列中i时刻的输出功率值， 表示归一化光伏日功率序列中i+1时刻的输出功率值，tnw表示光伏日功率序列极值点所对应的时刻值；
光伏日功率序列波动频率f如下式所示：
式中，ntw表示归一化光伏日功率序列的极值点数量，nt表示归一化光伏日功率序列时间点的总数量，nt取值为96；
光伏日功率序列波动突变率hm如下式所示：
hm＝max{tls},s＝1,2,...,nnw    (10)
式中，t1表示归一化光伏日功率序列极值点1所对应的时刻值，ts‑1表示归一化光伏日功率序列极值点s‑1所对应的时刻值，ts表示归一化光伏日功率序列极值点s所对应的时刻值，tls表示归一化光伏日功率序列相邻两极值点的时间间隔；
光伏日功率序列波动对称度DP如下式所示：
式中， 是指归一化光伏日功率序列的最大值， 分别指归一化光伏日功
率序列最大值左、右两侧的极小值，tmax是指归一化光伏日功率序列的最大值对应的时刻，tmin1是指归一化光伏日功率序列的最大值左侧极小值所对应的时刻，tmin2是指归一化光伏日功率序列的最大值右侧极小值所对应的时刻。
6.如权利要求5所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤C中，所述理想日波动类型的判别式：
式中，Rm为光伏日功率序列波动峰值，DP为光伏日功率序列波动对称度，f为光伏日功率序列波动频率，PN为光伏电场的额定输出功率；λ1是指理想日波动模型中光伏日功率序列波动峰值的阈值上限，μ0指理想日波动模型中光伏日功率序列波动对称度的阈值下限，μ1是指理想日波动模型中光伏日功率序列波动对称度的阈值上限，ε0是指理想日波动模型中光伏日功率序列波动频率的阈值上限；
所述小波动类型的判别式：
式中，hm为光伏日功率序列波动突变率，λ2是指小波动模型中光伏日功率序列波动峰值的阈值上限，μ2是指小波动模型中光伏日功率序列波动对称度的阈值上限，δ1是指小、中、大波动模型中光伏日功率序列波动突变率的阈值上限，ε1是指小、中波动模型中光伏日功率序列波动频率的阈值上限；
所述中波动类型的判别式：
式中，λ3是指中波动模型中光伏日功率序列波动峰值的阈值上限，μ3是指中波动模型中光伏日功率序列波动对称度的阈值上限；
所述大波动类型的判别式：
式中，μ4是指大波动模型中光伏日功率序列波动对称度的阈值上限；
所述复杂强波动类型的判别式：
7.如权利要求6所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤D中所述映射模型的表达式为：
其中， 是指第n个数值天气预报因子在m时刻下的参数值，Pm是指m时刻下的功率实测值。
8.如权利要求7所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤D中，所述匹配误差值的具体确定方式如下：
其中， 是指第u个归一化数值天气预报因子在v时刻下的参数值，
(u) (u)
是指第u个数值天气预报因子在v时刻下的参数值，max(x )、min(x )分别为第u个数值天(u)
气预报因子序列x 中的最大值与最小值， 分别为第u个归一化数值
天气预报因子序列 中的最大值与最小值， 是指第u个数值天气预报因子的匹配误差值；
其中， 是指待预测日第u个归一化数值天气预报因子在v时刻的预报值， 是指第u个历史归一化数值天气预报因子在k时刻的数值，Markv,k是指待预测日在v时刻的数值天气预报因子与历史数值天气预报因子中k时刻数值的匹配程度评分。
9.如权利要求8所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤D中，所述初次预报功率的具体表达式如下所示：
其中，xr是指匹配误差阈值； 是指待预测日v时刻所匹配的历史功率序列中kr时刻的值； 是指待预测日v时刻功率中，所匹配的历史功率在kr时刻的加权系数； 是待预测日v时刻的初次预报功率值；
步骤E中所述功率最终预测值的表达式如下所示：
其中，errv是指待预测日v时刻的预测补偿值， 是指待预测日前hr天中v时刻的实际功率值， 是指待预测日前hr天中v时刻的功率预测值， 是待预测日v时刻的功率最终预测值。
10.如权利要求1所述的基于气象过程与功率波动关联的光伏功率预测方法，其特征在于，步骤E中所述功率预测的滚动优化是指：经过预测优化过程的功率最终预测值，在下一时刻的预测优化过程中就变为历史数据库的待匹配对象，从而对下一时刻预测功率的优化奠定了数据基础。