新能源与高效节能

本发明公开了一种基于PCA和混沌GWO优化RELM的太阳辐射预测方法及系统，所述方法包括：S1，对数据进行标准化处理；S2，将处理后的数据进行PCA降维；S3，建立混沌GWO?RELM模型，找到RELM的最优隐含层节点个数node和正则化系数C；S4，将测试样本送入含有最优隐含层节点个数node和正则化系数C的RELM中进行计算，得到待预测站点未来的太阳辐射预报值。本发明针对太阳辐射数据的不连续性和高频特性致使太阳辐射预测精度低的问题，采用混沌灰狼算法与正则化极限学习机相结合构成混沌GWO?RELM模型对太阳辐射数据进行预测，克服了传统时间序列模型的缺点，使得太阳辐射预测的精度得到了提高。

成果亮点

发明目的：针对现有技术的不足，本发明将混沌灰狼算法(CGWO,Chaos Grey WolfOptimization)与正则化极限学习机(RELM，Regularized Extreme Learning Machine)相结合，提出一种基于主成分析法(PCA,Principal Component Analysis)和混沌GWO优化RELM的太阳辐射预测方法及系统，选出适于太阳辐射预测的最优隐含层节点个数node和正则化系数C，获得太阳辐射的高精度预测。 技术方案：本发明提出一种基于PCA和混沌GWO优化RELM的太阳辐射预测方法，具体包括以下步骤： (1)选定待测站点，收集并记录待测站点之前的太阳辐射历史数据，建立相应的历史数据库并对数据进行标准化处理； (2)将标准化后的太阳辐射历史数据进行PCA降维，取变换后能反映原始数据方差特征的前六维数据，作为RELM的输入数据，并将输入数据划分为训练样本和测试样本； (3)建立混沌GWO-RELM模型，利用混沌GWO-RELM模型找出RELM的最优隐含层节点个数node和正则化系数C。

基于 PCA(主成分分析)和混沌 GWO(广义加性混沌优化)优化 RELM(回归极限学习机)的太阳辐射预测方法及系统是一种可以提高太阳辐射预测准确性的方法及系统，这项技术在太阳能发电领域有着广泛的应用前景。

太阳能是一种清洁、可再生的能源，越来越受到人们的重视。然而，太阳辐射的预测是太阳能发电领域的重要难题之一，准确的太阳辐射预测可以提高太阳能发电系统的发电效率和可靠性，降低太阳能发电系统的成本。基于 PCA 和混沌 GWO 优化 RELM 的太阳辐射预测方法及系统可以提高太阳辐射预测的准确性和时效性，从而提高太阳能发电系统的效率和可靠性。

此外，这项技术还可以为太阳能发电系统的设计和优化提供智能化的解决方案，通过预测太阳辐射，优化太阳能发电系统的设计和运行，提高太阳能发电系统的经济性和社会效益。这项技术还可以为太阳能政策的制定提供支持，通过预测太阳辐射，为太阳能政策的制定提供科学依据。

因此，基于 PCA 和混沌 GWO 优化 RELM 的太阳辐射预测方法及系统的应用前景非常广泛，在太阳能发电领域有着广泛的应用前景，具有重要的研究和推广价值。

有益效果：与现有技术相比，本发明的有益效果：1、本发明针对太阳辐射的太阳辐射序列的不连续性和高频特性致使太阳辐射预测精度低的问题，采用混沌灰狼算法与正则化极限学习机相结合构成混沌GWO-RELM模型神经网络模型对太阳辐射数据进行预测，克服了传统时间序列模型的缺点，提高了太阳辐射预测的准确度；2、本发明在标准灰狼算法的基础上引入了混沌局部搜索策略，与原来标准灰狼算法相较，加入混沌局部搜索策略后，提高了灰狼算法的收敛速度，增加了种群的多样性，使得搜索过程避免陷入局部最优；将其与正则化极限学习机相结合后，加入混沌局部搜索策略的灰狼算法与正则化极限学习机相结合的神经网络模型寻找到最优隐含层节点个数node和正则化系数C的能力更为优越。