1.基于网格气象数据的小水电站发电功率超短期预测方法，其特征在于，包括以下步骤：步骤1：将水电站所在区域划分为网格，获取网格的降雨量数据；

步骤2：获取水电站历史发电功率数据，计算水电站历史发电功率与各个网格历史降雨量的相关系数，筛选水电站发电功率相关性大的网格；

步骤3：采用局部线性嵌入方法对网格的降雨量数据降维，得到降维的网格降雨量数据；

步骤4：采用长短期记忆人工神经网络建立发电功率预测模型，发电功率预测模型的输入为降维的网格降雨量数据与小水电历史发电功率，发电功率预测模型的输出为水电站发电功率；

步骤5：将降维的历史网格降雨量数据和水电站历史发电功率作为发电功率预测模型的数据集，设置发电功率预测模型参数，利用数据集对发电功率预测模型进行训练和测试，使其达到预测精度要求；

步骤6：采用训练好的发电功率预测模型进行水电站发电功率超短期预测。

2.根据权利要求1所述的小水电站发电功率超短期预测方法，其特征在于，步骤2具体包括：步骤2.1：采用皮尔森相关系数度量水电站发电功率与各个网格降雨量之间的相关性；

将水电站所在区域划分为网格，水电站所在地区的网格降雨量数据采用矩阵X表示，Ei＝[ei1,ei2,...,eit]      (2)式中eij,i＝1,2…n,j＝1,2…t表示第i个网格在第j个时段内的降雨量，n表示划分的网格总数量，t表示时段总数量；Ei,i＝1,2…n表示第i个网格在t个时间段上的降雨数据向量；网格降雨量与水电站发电功率的相关系数的计算式如下：式中ri表示水电站发电功率与第i个网格的降雨量的相关系数；表示第i个网格在t个时段内的平均降雨量，pj表示第j个时段水电站平均发电功率，表示水电站在t个时段内的平均发电功率；

相关系数ri∈[-1,1]，当|ri|越大时，表明第i个网格的降雨量和水电站发电功率的相关程度越高；

步骤2.2：选取相关系数阈值Rt作为相关性大的网格的筛选阈值，筛选出|ri|≥Rt的网格，并得到筛选出的与水电站发电功率相关性大的网格的降雨量数据X′，X′＝[Ef,Eg,…,Eh]T     (4)

式中Ef、Eg、Eh分别为筛选前的网格降雨量数据矩阵X中表示的第f个网格、第g个网格、第h个网格在t个时间段上的降雨数据向量。

3.根据权利要求2所述的小水电站发电功率超短期预测方法，其特征在于，所述将水电站所在区域划分为网格，划分的单位网格为边长3公里的正方形区域。

4.根据权利要求2所述的小水电站发电功率超短期预测方法，其特征在于，网格的筛选阈值为Rt＝0.6。

5.根据权利要求2所述的小水电站发电功率超短期预测方法，其特征在于，步骤3包括以下子步骤：步骤3.1：计算地区降雨断面的相似性度量；

列向量[e1j,…emj]T,j＝1,2…t表示筛选的与水电站发电功率相关性大的网格在第j个时间段内的降雨量，即第j个时间段的降雨断面，记为Fj，m表示筛选出的与水电站发电功率相关性大的网格的数量；

采用欧拉距离作为地区降雨断面的相似性度量，相似性度量的计算式如下：Dij＝|Fi-Fj|        (5)

式中Dij,i＝1,2…t,j＝1,2…t表示降雨断面Fi与Fj的相似性度量结果，Dij数值越小则表示相似性越高；

步骤3.2：求解线性化重构系数矩阵；

预设近邻参数k，将与降雨断面Fi,i＝1,2…t最为邻近的k个样本作为一个邻近集合，记为H(i)，以线性化误差函数ε最小为目标求解重构系数矩阵M中的系数，重构误差函数ε以及约束条件如下：式中aij,i＝1,2…t,j＝1,2…t表示重构系数，代表降雨断面Fi和降雨断面Fj之间的线性关系，若则令aij＝0；

步骤3.3：根据重构系数矩阵M以及预设目标维数d进行降维处理；

利用重构系数矩阵M，以损失函数σ最小为目标构造优化问题，求解得到降维后归一化的网格降雨数据集Y；

对应构造优化问题的数学模型如下：

目标函数：min[σ]      (9)

约束条件：

式中Ui＝[e1i,…edi]T表示地区第i个降雨断面Fi＝[e1i,…emi]T降维后的结果，Uj表示地区第j个降雨断面Fj降维后的结果，i＝1,2…t,j＝1,2…t，d表示对筛选的网格数量m降维后的维数，d

步骤3.4：以残差方差最小为目标确定最优的目标维数d与近邻参数k；

采用残差方差μ对步骤3.3中降维后的网格降雨数据进行评价，残差方差μ越小，表明降维前后数据之间相关性越大，残差方差μ计算公式如下：μ＝1-ρ2      (12)

式中μ表示残差方差，ρ表示线性相关系数，Dij表示降维前降雨断面Fi与降雨断面Fj的相似性度量，D′ij表示降维后降雨断面Ui与降雨断面Uj的相似性度量，表示集合{Dij}内所有数据的平均值，表示集合{D′ij}内所有数据的平均值；

D′ij的计算式如下：

D′ij＝|Ui-Uj|    (14)

步骤3.5：重复上述步骤3.2～步骤3.4，并采用式(12)对降维结果进行评价，直至获得残差方差μ最小所对应的目标维数d和近邻参数k，即为最优参数；根据最优参数k、d，重复步骤3.2～3.3，求解得到最优的降维网格降雨数据Y。

6.根据权利要求5所述的小水电站发电功率超短期预测方法，其特征在于，步骤5包括以下子步骤：步骤5.1：设置长短期记忆人工神经网络的超参数；

设置的超参数包括：输入节点数N1、隐藏节点数N2、输出节点数N3、学习率α、误差阈值cost、细胞核个数z和最大迭代次数s；

步骤5.2：初始化权重偏置；

长短期记忆人工神经网络的记忆单元的数学模型如下：

ht＝ot×tanh(Ct)             (20)式中xt表示t时刻神经网络的输入；ht-1表示t-1时刻神经网络的输出；ht表示t时刻神经网络的输出；Ct-1、Ct表示t-1、t时刻神经网络的单元状态输出；ft、it、ot分别表示遗忘门、输入门、输出门的输出值，表示输入单元的状态中间量；分别表示xt与遗忘门、输入门、输出门、单元状态的权重矩阵；分别为ht-1与遗忘门、输入门、输出门、单元状态的权重矩阵；bf、bi、bo、bC分别表示遗忘门、输入门、输出门、单元状态的偏置向量；

σ()和tanh()均为激活函数，其中σ()表示Sigmoid函数，tanh()表示双曲正切函数，计算式如下：步骤5.3：前向计算；

长短期记忆人工神经网络的前向计算公式如式(15)～(20)所示，前向计算得到每个神经元的输出值，即ft、it、ot、ht五个向量的值；

通过前向计算，长短期记忆人工神经网络能更加有效地决定哪些信息被遗忘，哪些信息被保留，更高效地处理长时间序列；

步骤5.4：根据损失函数η更新网络权重和偏置；

损失函数η表示网络的误差大小，其值越小，则模型越精确，反之模型越不精确；

损失函数的计算公式如下：

W′＝W-α…2[ht-h′t]    (24)

b′＝b-α·2[ht-h′t]            (25)式中L表示训练样本总数，ht表示第t个训练样本的网络发电功率预测值，h′t表示第t个训练样本对应的实际发电功率，α为学习率，W、b分别表示更新前的权重和偏置，W′、b′分别表示更新后的权重、偏置；

改变权重偏置值，可改变η的大小，找到合适的权重和偏置，使η最小化，以达到误差阈值；

步骤5.5：重复步骤5.3和步骤5.4，直到迭代次数等于s或误差小于误差阈值cost，停止训练。