1.一种基于聚类特性的台区分布式光伏负荷概率预测方法，其特征在于，包括：对台区分布式光伏历史负荷进行聚类，确定出负荷类别，并对每一类负荷分别构建一个相匹配的短期负荷预测模型；所述短期负荷预测模型包括若干个串联的子网络；每个子网络包括输入全连接层、深度残差网络、分位数回归层和输出全连接层；所述输入全连接层用于将整合输入特征；所述深度残差网络用于学习拟合上一层网络输出的残差；所述分位数回归层用于产生负荷预测概率；所述输出全连接层用于输出负荷预测值；所述深度残差网络包括若干层残差块构成，且从第二层残差块开始，每个残差块的输入是之前残差块遍历组合得到的；其中， 和 分别是深度残差网络的输入和输出， 表示第 个残差块的输入， 表示第 个残差块的权重参数， K 为残差块的个数；在具体实施过程中，在对获取的数据进行负荷聚类的过程中，通过计算每日分布式光伏负荷的相似度，然后根据相似度大小将负荷聚为不同的类别，具体步骤如下：1）以日为单位，将每天24点台区分布式光伏负荷数据作为一个样本，随机选择K天负荷数据样本作为聚类中心；2）基于欧式距离，计算每个台区分布式负荷数据样本与K个聚类中心之间的相似度，如式所示：其中， 为负荷数据样本i到聚类中心j的相似度， 为负荷数据样本i的24点负荷， 为聚类中心j对应p时刻的负荷，p为负荷数据样本的时刻；3）根据样本与聚类中心之间的相似度，将每个负荷数据样本分配给相似度最高的聚类中心；4）基于新的分配，重新计算聚类中心：其中， 为新聚类中心j在p时刻的负荷， 为分配至第j类的负荷数据样本集合， 为集合中样本数目；5）重复步骤2）至步骤4），直至连续两次聚类中心的相似度小于某个阈值为止；在对获取的数据进行负荷聚类的过程中，通过计算每日分布式光伏负荷的相似度，然后根据相似度大小将负荷聚为不同的类别；其中，关键问题是聚类类别数K的选择，通过采用手肘法，根据所有样本的聚类误差来确定聚类类别数K：SSE表示所有负荷数据样本的聚类误差，聚类类别数K越大，样本划分越精细，误差平方和SSE越小，根据手肘法，SSE的下降幅度会随着K值增大而逐渐减小，SSE下降幅度较大肘部对应的K值即合适的聚类数；从台区分布式光伏历史负荷及天气信息中分别提取负荷统计特征及天气特征，利用预先训练好的负荷类别预测模型处理所述负荷统计特征及天气特征，预测出负荷标签；其中，所述负荷类别预测模型基于集成学习的决策树框架中的LightGBM算法构建而成；基于预测的负荷标签，选取相匹配的短期负荷预测模型来对台区分布式光伏历史负荷及天气信息进行处理，最终得到短期负荷预测值。
2.如权利要求1所述的基于聚类特性的台区分布式光伏负荷概率预测方法，其特征在于，对台区分布式光伏历史负荷进行聚类之前，还包括预处理操作；所述预处理操作包括缺失值补全、异常值处理和归一化处理。
3.一种基于聚类特性的台区分布式光伏负荷概率预测系统，用于实现如权利要求1-2任一项权利要求所述的基于聚类特性的台区分布式光伏负荷概率预测方法，其特征在于，包括：负荷聚类模块，其用于对台区分布式光伏历史负荷进行聚类，确定出负荷类别，并对每一类负荷分别构建一个相匹配的短期负荷预测模型；负荷标签预测模块，其用于从台区分布式光伏历史负荷及天气信息中分别提取负荷统计特征及天气特征，利用预先训练好的负荷类别预测模型处理所述负荷统计特征及天气特征，预测出负荷标签；短期负荷预测模块，其用于基于预测的负荷标签，选取相匹配的短期负荷预测模型来对台区分布式光伏历史负荷及天气信息进行处理，最终得到短期负荷预测值。
