1.一种基于特征聚类比较的光伏电站功率预测方法，其特征在于，该预测方法的步骤如下：
1)采集影响光伏功率预测精度的特征量，总辐射、风速和温度，并利用特征量的历史数据构成样本集；
2)将得到的样本集进行特征聚类，将样本集化分成相似性较高的k类，并得到各类样本数据的聚类中心Ci，i＝1，2，……，k；
3)分别采用各类样本数据对应建立k类预测模型；
4)计算当前预测对象与各类样本数据的聚类中心之间的距离，选取与当前预测对象距离最近的聚类中心所在类对应的预测模型进行预测。
2.根据权利要求1所述的基于特征聚类比较的光伏电站功率预测方法，其特征在于，所述步骤2)采用K-means算法进行特征聚类，各类的初始聚类中心采用Huffman构造树的思想获取。
3.根据权利要求1或2所述的基于特征聚类比较的光伏电站功率预测方法，其特征在于，所述步骤3)的预测模型采用BP神经网络预测模型，该预测模型采用包括输入层、隐含层和输出层的三层结构，输入层采用总辐射、温度、风速三个特征量，输出层为光伏电站输出功率。
4.根据权利要求1所述的基于特征聚类比较的光伏电站功率预测方法，其特征在于，所述步骤4)中当前预测对象与各类的聚类中心之间的距离采用加权法的欧式距离计算得到。
5.根据权利要求2所述的基于特征聚类比较的光伏电站功率预测方法，其特征在于，所述步骤2)将样本集划分为三类，分别代表阴雨、多云和晴天。
6.一种基于特征聚类比较的光伏电站功率预测装置，其特征在于，该预测装置包括采集模块、特征聚类模块、预测模型建立模块和预测模块，
所述的采集模块用于采集影响光伏功率预测精度的特征量，总辐射、风速和温度，并利用特征量的历史数据构成样本集；
所述的特征聚类模块用于将得到的样本集进行特征聚类，将样本集化分成相似性较高的k类，并得到各类样本数据的聚类中心Ci，i＝1，2，……，k；
所述的预测模块建立模块分别利用各类样本数据建立对应k类预测模型；
所述的预测模块用于计算当前预测对象与各类样本数据的聚类中心之间的距离，选取与当前预测对象距离最近的聚类中心所在类对应的预测模型进行预测。
7.根据权利要求6所述的基于特征聚类比较的光伏电站功率预测装置，其特征在于，所述的特征聚类模块采用K-means算法进行特征聚类，各类的初始聚类中心采用Huffman构造树的思想获取。
8.根据权利要求6或7所述的基于特征聚类比较的光伏电站功率预测装置，其特征在于，所述的预测模块建立模块采用BP神经网络预测模型，该预测模型采用包括输入层、隐含层和输出层的三层结构，输入层采用总辐射、温度、风速三个特征量，输出层为光伏电站输出功率。
9.根据权利要求6所述的基于特征聚类比较的光伏电站功率预测装置，其特征在于，所述的预测模块在计算当前预测对象与各类的聚类中心之间的距离采用加权法的欧式距离计算得到。
10.根据权利要求7所述的基于特征聚类比较的光伏电站功率预测装置，其特征在于，所述的特征聚类模块将样本集划分为三类，分别代表阴雨、多云和晴天。