1.一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，利用wknn算法选取初始数据，包括：
3.根据权利要求1所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，步骤s2中的高斯混合模型聚类考虑用em算法来求解高斯混合参数模型的参数，具体包括：
4.根据权利要求1所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，步骤s3具体包括：
5.根据权利要求4所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，
6.根据权利要求1所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，所属步骤4中，具体包括：
7.根据权利要求4所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，步骤s6具体包括：
8.根据权利要求7所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，步骤513中，分别根据前式计算烟花种群中烟花个体的适应度值f(xi)和烟花个体间的欧式距离r(xi)，并判断是否满足最大迭代次数的终止条件，若满足则计算得到由当前烟花种群中具有最小适应度值minf(xi)的烟花个体以及具有最大的距离maxr(xi)的烟花个体组成新的烟花种群，并取当前的烟花种群为最优的烟花种群xbest，否则继续执行当前步骤。
9.根据权利要求1所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，步骤509中，引入平方误差函数，来计算烟花个体的适应度值，则有：
10.根据权利要求1所述的一种基于优化bp神经网络的超短期光伏功率预测方法，其特征在于，步骤s7中的结合优化烟花算法的bp神经网络融合算法，利用优化烟花算法更新网络权重和阈值，并利用得到的最优烟花种群xbest对网络模型中的权重和阈值向量x进行初始化更新，通过bp神经网络算法对光伏发电功率进行预测，并获得预测功率数值。