蒋 锋，杨嘉伟

(中南财经政法大学 统计与数学学院，湖北 武汉430073)

随着化石燃料的消费和能源环境问题的增加，发展可再生的清洁能源已成为国际社会的共识.近年来太阳能作为最理想的清洁能源在各国得到了广泛应用.随着太阳辐射应用发展，对预测精度提出了更高的要求.预报技术已经逐渐成长为光伏发电领域的关键性基础科学.

目前，国内外学者提出了许多方法以预测太阳辐射强度，这些方法大致分为3类：物理计算方法、时间序列方法和机器学习方法.在传统的物理计算方法中有晴天太阳模型[1]、Collares-Pereira和Rabl模型[2-3]等.时间序列方法[4]也被广泛应用于太阳辐射预测，比如自回归差分移动平均(Autore-Rressive Integrated Moving Average，ARIMA)[5]模型、线性回归[6-7]、幂指数移动平均法[8]、动态谐波回归模型[9]等.机器学习由于其优异的非线性拟合能力被大量学者研究，其中人工神经网络[10-13]、支持向量机[14]等机器学习方法在工业、农业、金融、医疗等领域得到了广泛的应用.陈杰等[15]建立了基于优化的神经网络的太阳辐射预测模型，模型预测效果极佳.顾万龙等[16]运用支持向量机方法来预测太阳辐射，其精度远高于传统线性模型.

由于太阳辐射数据具有很强的波动性和非线性特征，并且对预测精度的要求也在不断提高，一些学者通过集成学习的范式及单目标优化的方法来提升预测的准确率和泛化能力.比如Jiang等[17]使用鸽子算法优化的极限学习机对小波包分解的分量预测，加权集成方法得……