1.一种风能、太阳能管理系统，其特征在于，包括天气数据采集模块、风能数据采集单元、太阳能数据采集单元、负载数据统计单元和并网管理模块；其中，
所述天气数据采集模块、风能数据采集单元、太阳能数据采集单元和负载数据统计单元分别与并网管理模块连接；
所述天气数据采集模块采集天气数据并上传至并网管理模块；
所述风能数据采集单元采集风能发电系统的变电数据并上传至并网管理模块，标记该变电数据为风能数据；
所述太阳能数据采集单元采集太阳能发电系统的变电数据并上传至并网管理模块，标记该变电数据为太阳能数据；
所述负载数据统计单元用于获取用电终端的电力使用数据，标记该电力使用数据为负载数据；
所述并网管理模块接收风能数据、太阳能数据和负载数据并基于预测模型处理以输出预期电能数据，基于预期电能数据输出能源调度策略。
2.根据权利要求1所述的一种风能、太阳能管理系统，其特征在于，所述预测模型基于Elman神经网络或灰色算法。
3.根据权利要求1所述的一种风能、太阳能管理系统，其特征在于，所述预期电能数据包括预期天气数据、预期风能数据、预期太阳能数据和预期负载数据，所述能源调度策略用于根据预期负载数据驱动风能发电系统、太阳能发电系统连入储能单元或驱动预备电力单元连入用电终端。
4.根据权利要求1所述的一种风能、太阳能管理系统，其特征在于，所述天气数据采集模块包括用于获取网络天气数据的在线采集单元和基于传感器获取天气数据的现场采集单元，基于预设的权值处理在线采集单元和现场采集单元输出的数据并输出合并数据，标记该合并数据为天气数据。
5.根据权利要求2所述的一种风能、太阳能管理系统，其特征在于，所述基于灰色算法建立预测模型的步骤包括：
生成时间序列，所述时间序列包括天气数据与日期的序列，风能数据与日期的序列，太阳能数据与日期的序列，负载数据与日期的序列；
基于累加的方式处理时间序列生成对应的生成序列；
计算负载与天气数据、风能数据、太阳能数据的关联度以生成GM模型，标记该GM模型为预测模型。
6.根据权利要求2所述的一种风能、太阳能管理系统，其特征在于，所述基于Elman神经网络建立预测模型的步骤包括：
获取负载数据和对应的天气数据，根据获取的居民负载历史数据，计算各个月份负载的同期平均数，进而计算所有同期平均数的总平均值后，将每个同期平均数与总平均值相除获得季节指数；
采用季节指数对负载历史数据进行修正，将各个月份的负载数据除以对应的季节指数后，获得修正后的负载数据，确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于Elman的神经网络；
归一化处理所述负载数据和对应的天气数据，根据归一化处理后的数据对建立的神经网络进行训练，将神经网络的预测误差控制在预设范围内,标记神经网络为预测模型。
7.根据权利要求6所述的一种风能、太阳能管理系统，其特征在于，所述Elman的神经网络的非线性状态空间表达式包括以下：
y(k)＝g(w^3*l(k))，l(k)＝f(w^1*c(k)+w^2*(x(k))，c(k)＝l(k-1)；
其中，y(k)表示m维输出节点向量，l(k)表示m维隐含层节点单元向量，x(k)表示u维输入向量，c(k)表示n维反馈状态向量，w^3表示隐含层到输出层的连接权值，w^2表示输入层到隐含层的连接权值，w^1表示承接层到隐含层的连接权值，g(*)表示输出神经元的传递函数，f(*)表示隐含层神经元的传递函数；
获取预测日前一周的负载历史数据、预测日的天气数据作为神经网络的输入，采用训练后的神经网络对预测日的负载进行预测，进而将获得的预测数据乘以季节指数后得到负载预测数据。
8.根据权利要求6所述的一种风能、太阳能管理系统，其特征在于，归一化处理基于以下公式：
Xk＝(Xk-Xmin)/(Xmax-Xmin)，式中，Xk表示居民负荷历史数据序列或历史天气参数数据数列中的第k个参数值，k为自然数，Xmax表示Xk所在数据序列中的最大值，Xmin表示Xk所在数据序列中的最小值。
9.根据权利要求1所述的一种风能、太阳能管理系统，其特征在于，所述天气数据包括天气类型、温度、风速、风向和光照强度。