1.一种考虑气象因素变化的短期光伏分解预测方法，其特征在于，包括下述步骤：S1：通过奇异谱分析方法对光伏出力时间序列进行分解，获得低频序列、高频序列和噪声序列，同时剔除噪声序列；

S2：采用Pearson相关系数法确定影响光伏出力的主要气象因素，并分析所述主要气象因素对光伏出力的灵敏度；

S3：针对所述低频序列和所述高频序列并结合所述灵敏度分别建立考虑气象因素的高频序列的预测模型和低频序列的预测模型；

S4：根据所述高频序列的预测模型获得高频序列预测值，根据所述低频序列的预测模型获得低频序列预测值；并根据所述低频序列预测值和所述高频序列预测值获得光伏出力预测值。

2.如权利要求1所述的短期光伏分解预测方法，其特征在于，步骤S1具体为：S11：将光伏出力时间序列变换成矩阵形式，并将该矩阵分解为与之等价的d个子矩阵之和；

S12：将分解得到的d个子矩阵 进行分组后获得低频矩阵Zlow、高频矩阵Zhigh和噪声矩阵Znoise，并将所述低频矩阵Zlow、高频矩阵Zhigh和噪声矩阵Znoise分别对角平均化还原成原始序列形式的重构序列后获得所述低频序列Pl、所述高频序列Ph和所述噪声序列Pn。

3.如权利要求1或2所述的短期光伏分解预测方法，其特征在于，步骤S2中采用Pearson相关系数法确定影响光伏出力的主要气象因素具体为：S21：选择温度、辐照、风速和降雨量作为气象因素；

S22：根据公式 分别计算光伏出力与温度、辐照、风速或降雨量之间的Pearson相关系数；

S23：根据Pearson相关系数的大小确定影响光伏出力的主要气象因素；

其中， Pearson相关系数 的绝对值 越接近于1，表明两变量线性相关程度越高。

4.如权利要求1-3任一项所述的短期光伏分解预测方法，其特征在于，步骤S3中建立考虑气象因素的高频序列的预测模型具体为：(1)选取高频序列的参照日和基准值：

以待预测日的前一天作为高频序列参照日，并以参照日的光伏出力高频序列作为待预测日高频序列的基准值；

(2)以不同气象因素与光伏出力之间的Pearson相关系数作为该气象因素影响光伏出力变化的权重系数；

(3)根据气象因素对光伏出力变化的灵敏度、待预测日与参照日的温差和辐照差，并根据公式Phigh＝Ph'igh+α1ΔP1+α2ΔP2对光伏出力高频序列Phigh进行修正；

其中，Phigh为待预测日的光伏出力高频序列，Ph'igh为参照日的光伏出力高频序列，ΔP1为因温度变化引起的光伏出力高频序列变化量，ΔP2为因辐照变化引起的光伏出力高频序列变化量；α1为温度影响光伏出力高频序列变化的权重系数，α2为辐照影响光伏出力高频序列变化的权重系数。

5.如权利要求4所述的短期光伏分解预测方法，其特征在于，当待预测日温度与参照日温度处于同一灵敏度区间时，ΔP1＝St(t-t')；当待预测日温度与参照日温度处于两个不同的灵敏度区间时，其中，t为待预测日温度值，t'为参照日温度值，St为待预测日温度所在区间的灵敏度，St'为参照日温度所在区间的灵敏度，表示两个区间公共端点的温度值。

6.如权利要求1-5任一项所述的短期光伏分解预测方法，其特征在于，步骤S4中，根据低频序列预测值Plow和高频序列预测值Phigh获得光伏出力预测值P＝Plow+Phigh。