1.一种基于深度BISLTM的太阳辐射预测方法，其特征在于，包括如下步骤：

步骤1：数据收集，收集太阳辐射历史数据，并将其分为训练数据集和测试数据集；

步骤2：对所述太阳辐射历史数据进行预处理，得到K个分量并构建对应的K个输入矩阵，确定每个分量的训练矩阵和测试矩阵；

步骤3：对各所述分量，构建独立的双向长短期记忆神经网络子模型；

步骤4：对各所述分量的独立双向长短期记忆神经网络子模型，采用正弦余弦算法对其进行优化与训练，输出双向长短期记忆神经网络子模型的最佳参数，训练得到各所述SCA-BiLSTM模型；

步骤5：利用训练好的各所述SCA-BiLSTM模型和其对应的测试矩阵计算各所述SCA-BiLSTM模型的预测值；

步骤6：将各所述SCA-BiLSTM模型的预测值进行聚合，得到CEN-SCA-BiLSTM模型的最终预报结果。

2.根据权利要求1所述的一种基于深度BISLTM的太阳辐射预测方法，其特征在于，所述步骤2中对所述训练数据集预处理包括：步骤2.1：采用CEEMDAN对太阳辐射数据集进行分解，得到K-1个本征模态函数分量和一个残差分量；

步骤2.2：对各所述分量采用两种统计方法，即自相关函数和偏自相关函数分析变量间的相关关系，以确定太阳辐射序列相关因子，构建输入矩阵，并将所有输入矩阵和目标变量规范化为[0,1]，确定各分量的训练矩阵和测试矩阵。

3.根据权利要求1所述的一种基于深度BISLTM的太阳辐射预测方法，其特征在于，所述步骤3中的双向长短期记忆神经网络子模型包括正向LSTM层和反向LSTM层，通过正向LSTM层St,t∈[1,T]和反向LSTM层St',t∈[T,1]，得到了具有相反时间序列的两个隐含层状态，然后将两个隐含层状态连接起来，以得到相同的输出；所述正向LSTM层和反向LSTM层可以分别获得输入序列的过去信息和未来信息。

4.根据权利要求3所述的一种基于深度BISLTM的太阳辐射预测方法，其特征在于，t时刻，所述双向长短期记忆神经网络子模型的隐含层状态Ht包含正向状态 和反向状态其中，T表示时间序列的长度。

5.根据权利要求1所述的一种基于深度BISLTM的太阳辐射预测方法，其特征在于，所述正弦余弦算法对双向长短期记忆神经网络子模型的三个参数，即隐含层神经元数目HN、学习速率α和丢失值DV进行优化与训练，其适应度函数设置为预测值和观测值之间的均方根误差，基于SCA-BiLSTM模型的太阳辐射预报问题的数学模型可以表述如下：式中， 和yi分别表示太阳辐射预测值和观测值；HNmin，αmin,DVmin和HNmax,αmax,DVmax分别表示隐含层神经元数目HN、学习速率α和丢失值DV三个参数的上下界。

6.根据权利要求5所述的一种基于深度BISLTM的太阳辐射预测方法，其特征在于，所述步骤4中采用正弦余弦算法优化双向长短期记忆神经网络子模型的步骤如下：步骤4.1：参数初始化：初始化正弦余弦算法的参数，包括种群大小NP和最大迭代次数Gmax，并设置正弦余弦算法的可行域，即双向长短期记忆神经网络子模型参数θ＝{HN,α,DV}的范围，设置迭代次数t＝0；

步骤4.2：种群初始化：在可行域内随机生成NP个个体，并通过训练双向长短期记忆神经网络子模型获得的当代种群的最优值，第t个种群的初始个体可根据以下等式随机产生：式中， 和 分别表示个体在第d维度的上下界，rand(0,1)表示(0,1)内的随机数；

步骤4.3：个体更新：根据如下公式更新个体，并根据r1更新正弦和余弦函数的范围，个体更新后，同时更新当前总体的最佳候选解和最佳目标值：式中， 和 分别表示第i个个体在第t次和第t+1次迭代中的位置；Pbest表示种群在该次迭代中的最优位置；r2，r3，r4为服从均匀分布的随机数，其范围如下：r2∈[0,2π]，r3∈[-2,2]，r4∈[0,1]；r1表示控制参数，r1的表达式如下： 式中，t表示当前迭代；

Tmax表示最大迭代次数；a为常数；

步骤4.4：若t＜Tmax，设置迭代次数t＝t+1，然后继续执行步骤4.4，否则跳转至步骤

4.5；

步骤4.5：获得问题的最佳方案，并输出BiLSTM子模型的最佳参数，训练得到各所述SCA-BiLSTM模型。

7.根据权利要求6所述的一种基于深度BISLTM的太阳辐射预测方法，其特征在于，当r1sin(r2)∈[∞,-1]∪[1,∞]或r1cos(r2)∈[∞,-1]∪[1,∞]时，正弦余弦算法进行全局搜索；否则，当r1sin(r2)∈[-1,1]或r1cos(r2)∈[-1,1]时，正弦余弦算法进行局部开发。

8.根据权利要求1至7任一所述的一种基于深度BISLTM的太阳辐射预测方法，其特征在于，还包括采用均方根误差、平均绝对误差、相关系数和平均绝对尺度误差评估CEN-SCA-BiLSTM模型的性能，均方根误差RMSE、平均绝对误差MAE、相关系数R和平均绝对尺度误差MASE的表达式如下：式中，Oi和Si分别表示第i个数据点的观测值和模拟值； 和 分别表示平均观测和平均模拟值；N表示时间序列的长度。