1.一种基于改进patch‑informer的太阳辐射预测方法，其特征在于，包括以下步骤：(1)在待测站点获取并记录太阳辐射历史数据，利用无迹卡尔曼滤波UKF对太阳辐射历史数据进行数据预处理；

(2)将预处理后的太阳辐射数据通过因子分析法FA进行特征提取，获取可观测的太阳辐射数据变量中的隐变量，实现数据的降维，选择能反应太阳辐射数据离散特性的隐变量数据作为IWSO‑patch‑informer的输入数据；

(3)采用矢量距免疫浓度结合Circle混沌映射生成WSO算法初始种群，再采用高斯‑柯西变异对WSO算法个体位置进行更新，形成改进的战争优化算法IWSO；

(4)构建IWSO‑patch‑informer模型：将多元时间序列样本分隔成多个patch单变量序列，使得通道独立化；采用IWSO对patch‑informer模型中的多头注意力机制的head个数进行优化；将分隔后的数据从独立信道输入进informer网络中的Encoder‑Decoder译码器中，输出多因子通道的独立预测结果，并将通道拼接输出预测数据；

步骤(3)所述采用矢量距免疫浓度结合Circle混沌映射生成WSO算法初始种群实现过程如下：首先采用Circle混沌映射法生成N个多头注意力机制的head；

进行免疫矢量距浓度优化，将N个多头注意力机制的head输入至抗体选择概率公式中，概率选择公式表示如下：G(xα)＝γGf+(1‑γ)Gcα＝1,2,…,N式中，γ为比例系数，Gf为基于抗体适应度函数值的选择概率，Gc为基于抗体浓度被选择的概率；

计算出每个抗体的综合概率值，通过概率值的大小进行排序，概率值越大排在越前面；

选择出适应度值小且浓度低的前nc个数据较优的太阳辐射数据作为初始种群，其中nc≤N)；

步骤(3)所述采用高斯‑柯西变异对WSO算法个体位置进行更新实现过程如下：当进行攻击策略时，种群对应的多头注意力机制值的在进行高斯‑柯西变异后的位置表示为：式中，Yw(tf+1)为第tf+1次迭代替换的种群对应的多头注意力机制位置信息，rand为生成均匀分布在0到1之间的随机数，R为次优多头注意力机制值的位置信息，G为最佳多头注意力机制值的位置信息,C(1,0)为服从柯西分布的随机变量，N(0,1)为服从高斯分布的随机变量；如果士兵成功更新位置，则士兵的军衔将升级，即适应度值将提升，适应度值越大，预测的结果越好，士兵军衔表示为：式中， 为第tf+1次迭代时的适应度值，Sn为太阳辐射的预测值，Sp为太阳辐射的实测值；

在进行tf+1次迭代后，最新权重表示为：

式中， 为第tf+1次迭代时优化后的权重值，Max_iter为最大迭代次数，α为权重因子；

当进行防御策略时，种群对应的多头注意力机制值的在进行高斯‑柯西变异后的位置表示为：式中，Yw(tf)为第tf次迭代种群对应的多头注意力机制值的位置信息；

所述步骤(4)实现过程如下：

(41)建立一个具有回视窗口L的太阳辐射多元时间序列样本集合，太阳辐射样本设定为：(42)将从索引1开始的长度为L的第ο个变量序列表示为 其中ο(ο) 1×L

＝1,2,…,M；输入x＝{x1,x2,…,xL}被分隔成单变量序列x ∈R ；

(43)将被分隔后的每个时间序列都根据独立信道设置，进入informer网络；

(44)将经过patch分隔后的数据输入至Encoder编码器中，经过自注意力机制评估，评估公式如下：式中， 为包含稀疏评估下的Query，由采样factor c控制，Q为Query，K为Key，V为Value；

(45)对输入的时间维度进行修剪，“distilling”的过程从第η层往η+1层推进，推进方法如下：式中，[i]AB包含Multi‑Head ProbSparse self‑attention的操作， 为时间维度修剪后的数据集；

(46)将修剪过的数据输入进入Decoder译码器中，输入向量公式如下：式中， 是start tocken， 是一个占位符；

(47)将Masked multi‑head attention应用于ProbSparse self‑attention，将mask的点积设置为‑inf；

(48)将数据连接，获得一个完整的太阳辐射预测输出值。

2.根据权利要求1所述的一种基于改进patch‑informer的太阳辐射预测方法，其特征在于，所述步骤(1)实现过程如下：建立非线性状态数学模型：

式中， 为t时刻的太阳辐射模型状态方程，ξ(t)为系统状态噪声，β(t)为状态转移矩阵，Q(t)为前一时刻的太阳辐射状态方程；

建立观测方程：

式中，D(t)为t时刻的站点太阳辐射的测量向量， 为t时刻限幅滤波后的测量噪声，H函数为非线性函数；

分别对状态方程和观测方程进行离散化处理后，选取sigma点：式中，n为经过Cholesky分解后得到的平方根矩阵的列数， 为太阳辐射数据均值，为状态向量的协方差矩阵，矩阵 定义为 经过Cholesky分解后得到的平方根矩阵第i列，λu为比例缩放因子；

计算预测协方差矩阵

式中， 为方差权重，Xi为选取的sigma点， 为标准差，Uk‑1为协方差矩阵；

计算观测更新方程：

式中，Yi为第i个粒子的量测量，Zi为第i个粒子的观测预测量；

更新无迹卡尔曼滤波后的的卡尔曼增益Kk、状态估计Qk和协方差矩阵Uk，表达式如下：式中， 为第k步传感器观测数据跟踪变换所得。

3.根据权利要求1所述的一种基于改进patch‑informer的太阳辐射预测方法，其特征在于，所述步骤(2)实现过程如下：构建因子分析法数学模型：

X＝WZ+ε

T T

式中，X＝(x1,x2,…,xD) 为D维可观测太阳辐射数据变量，Z＝(z1,z2,…,zM) 为M维与XT相对应的不可观测太阳辐射数据因变量，即X降维后的形式，ε＝(ε1,ε2,…,εM) 为特殊因子，代表太阳辐射数据原始变量中不能被因子变量解释的部分，W为因子载荷矩阵；

计算通过无迹卡尔曼滤波处理后的太阳辐射数据的协方差矩阵：式中，λi表示协方差矩阵的特征根，ei表示的是特征根所对应的特征向量，U表示特征向量的矩阵；

计算协方差矩阵的特征根：

基于模型假设，协方差阵有如下表示方法：

式中， 为太阳辐射数据原始变量中不能被因子变量解释的部分所变换而来的对角矩阵；

得到因子载荷矩阵的估计：

将因子模型表示为：

T

所求矩阵Z＝(z1,z2,…,zM) 为特征提取后的太阳辐射数据集。

4.一种装置设备，其特征在于，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1‑3任一项所述基于改进patch‑informer的太阳辐射预测方法的步骤。

5.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1‑3任一项所述基于改进patch‑informer的太阳辐射预测方法的步骤。