1.一种基于模拟退火与循环卷积的分布式光伏预测方法，其特征在于，包括：
2.根据权利要求1所述的基于模拟退火与循环卷积的分布式光伏预测方法，其特征在于，步骤s2中，所述预测气象订正模型的建立，包括：使用分布式光伏站点的实测气象数据作为需要拟合的变量，预测气象数据作为输入变量，基于上述数据进行特征优化和超参数优化，建立预测气象订正模型。
3.根据权利要求1所述的基于模拟退火与循环卷积的分布式光伏预测方法，其特征在于，步骤s3中，基于各分布式光伏站点的坐标进行k-means聚类的具体步骤包括：采用k-means聚类，计算不同分布式光伏站点的坐标之间的距离，根据坐标之间的距离远近，将距离近的坐标聚成一类。
4.根据权利要求1所述的基于模拟退火与循环卷积的分布式光伏预测方法，其特征在于，步骤s3中，基于各分布式光伏站点的预测气象数据进行层次聚类的具体步骤包括：采用层次聚类，计算不同分布式光伏站点的预测气象数据序列之间的相似性，根据不同数据序列之间的相似性大小，将相似性较大的序列聚成一类。
5.根据权利要求1所述的基于模拟退火与循环卷积的分布式光伏预测方法，其特征在于，步骤s3中，基于各分布式光伏站点的实测气象数据进行knn聚类的具体步骤包括：采用knn聚类，计算不同分布式光伏站点的实测气象数据序列之间的相似性，根据不同数据序列之间的相似性大小，将相似性较大的序列聚成一类。
6.根据权利要求1所述的基于模拟退火与循环卷积的分布式光伏预测方法，其特征在于，步骤s4中，所述模型训练具体包括：
7.根据权利要求1所述的基于模拟退火与循环卷积的分布式光伏预测方法，其特征在于，步骤s4中，对每一类的模型的预测结果采用多元线性回归算法的过程包括：将每一类的模型的预测结果都设为自变量，表示为x0，x1，... xn；n为每一类的模型的预测结果的总数量，设最终的预测结果为因变量y，a0x0+a1x1...+anxn+an+1=y, a0至an+1为参数，使用最小二乘法计算a0至an+1，完成多元线性回归算法的建模。
8.一种基于模拟退火与循环卷积的分布式光伏预测装置，其特征在于，包括：
9.根据权利要求8所述的基于模拟退火与循环卷积的分布式光伏预测装置，其特征在于，所述聚类模块包括：
10.根据权利要求8所述的基于模拟退火与循环卷积的分布式光伏预测装置，其特征在于，所述预测模块中，包括线性回归单元，对每一类的模型的预测结果采用多元线性回归算法的过程包括：将每一类的模型的预测结果都设为自变量，表示为x0，x1，... xn；n为每一类的模型的预测结果的总数量，设最终的预测结果为因变量y，a0x0+a1x1...+anxn+an+1=y, a0至an+1为参数，使用最小二乘法计算a0至an+1，完成多元线性回归算法的建模。