1.基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，包括：卷积层，所述卷积层的卷积大小为1，步长为1，用于对历史数据进行维度变换，统一数据的维度；所述历史数据为历史环境和光伏功率序列；

位置编码层，用于对历史数据进行位置编码；

深度傅里叶变换模块，包括串联的残差傅里叶模块和残差前馈神经网络模块，所述残差傅里叶模块包括傅里叶变换层，所述残差前馈神经网络模块包括前馈神经网络层，所述残差傅里叶模块和残差前馈神经网络模块均包括层归一化层，所述傅里叶变换层用于对从所述卷积层和位置编码层输出的叠加数据进行离散傅里叶变换，所述前馈神经网络层用于对经过离散傅里叶变换后的数据进行非线性变换，所述层归一化层用于对所述傅里叶变换层和前馈神经网络层输出的数据进行归一化处理；

第一全连接层，用于在时间轴维度上对所述深度傅里叶变换模块输出的数据进行全连接；

第二全连接层，用于在空间轴维度上对所述第一全连接层输出的数据进行全连接，输出下一个采样点的功率输出预测值。

2.如权利要求1所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述卷积层和位置编码层输出的叠加数据，其函数为：

2i/d

PE(pos,2i)＝sin(pos/N )

2i/d

PE(pos,2i+1)＝cos(pos/N )其中，N为输入历史环境和光伏功率序列的长度，i为序列包含向量维度，pos为序列位置。

3.如权利要求1所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述离散傅里叶变换如下：

其中， 为取结果的实部，x为输入序列，y为输出序列；F(x)＝{Xk}，Xk为生成的新的序列；对应每一个k,傅里叶变换生成一个新的Xk来表示原始输入xn的和； 为对应xn的旋转因子。

4.如权利要求1所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述前馈神经网络层计算如下：FFN(x)＝max(0,xWin+bin)Wout+bout其中，Win、Wout分别为输入、输出的权重矩阵；bin、bout分别为输入输出的偏置矩阵，x为输入序列。

5.如权利要求1所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述第一全连接层和第二全连接层计算如下：O(x)＝tanh(xW+b)其中，W为输出的权重矩阵，b为输出的偏置矩阵；tanh为双曲正切。

6.如权利要求1所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述深度傅里叶变换模块有多个，叠加数据依次经过多个深度傅里叶变换模块后进入第一全连接层。

7.如权利要求1所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述卷积层使用卷积核数量为16。

8.如权利要求1所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述归一化处理表示为：

y＝Norm(Sublayer(x)+x)其中，Sublayer为傅里叶变换层或前馈神经网络层，Norm表示归一化操作，x为输入序列，y为输出序列。

9.如权利要求8所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述层归一化层用于将历史数据进行归一化处理，将数据分布归一化为均值为0，方差为1的分布。

10.如权利要求1所述的基于深度傅里叶网络的超短期光伏功率预测系统，其特征在于，所述历史环境和光伏功率序列包括辐照度、风速、风向、温度、压强、湿度、实际功率。