1.一種基于icso-svm模型的光伏發(fā)電功率預(yù)測(cè)方法，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于icso-svm模型的光伏發(fā)電功率預(yù)測(cè)方法，其特征在于，步驟s1中，獲取原始數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；原始數(shù)據(jù)集中可能存在因?yàn)閿?shù)據(jù)采集設(shè)備或傳感器異常導(dǎo)致的缺失值和異常值等不良數(shù)據(jù)，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；在此基礎(chǔ)上，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，避免因量綱不同導(dǎo)致機(jī)器學(xué)習(xí)模型預(yù)測(cè)精度降低；所述步驟s1中數(shù)據(jù)預(yù)處理方法主要包括對(duì)缺失值的填充以及對(duì)異常數(shù)據(jù)的處理，采用em算法對(duì)缺失值進(jìn)行填充，采用箱線圖法對(duì)異常數(shù)據(jù)進(jìn)行處理，具體包括：
3.根據(jù)權(quán)利要求1、2所述的一種基于icso-svm模型的光伏發(fā)電功率預(yù)測(cè)方法，其特征在于，步驟s1，進(jìn)一步的，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，避免因量綱不同導(dǎo)致機(jī)器學(xué)習(xí)模型預(yù)測(cè)精度降低；需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理至[0,1]區(qū)間；采用min-max法對(duì)數(shù)據(jù)進(jìn)行歸一化，計(jì)算公式為：
4.根據(jù)權(quán)利要求1所述的一種基于icso-svm模型的光伏發(fā)電功率預(yù)測(cè)方法，其特征在于，所述步驟s2中，對(duì)原始特征進(jìn)行相關(guān)性分析并剔除相關(guān)性系數(shù)較低的特征；光伏板出力情況主要受氣象因子的變化影響，例如太陽(yáng)輻照度、氣溫、濕度、氣壓等；為在眾多氣象因素中篩選出影響光伏出力的主要特征，減少關(guān)聯(lián)性小的因素對(duì)結(jié)果的負(fù)面影響，需要先對(duì)氣象因素進(jìn)行相關(guān)性分析；
5.根據(jù)權(quán)利要求1所述的一種基于icso-svm模型的光伏發(fā)電功率預(yù)測(cè)方法，其特征在于，所述步驟s3中，對(duì)標(biāo)準(zhǔn)競(jìng)爭(zhēng)粒子群算法進(jìn)行改進(jìn)；設(shè)種群大小為m，在解空間內(nèi)隨機(jī)地初始化種群，在每一次迭代過程中首先將種群隨機(jī)均分為2組，兩組粒子兩兩進(jìn)行競(jìng)爭(zhēng)比較，根據(jù)適應(yīng)值的大小分別為勝利者(winner)與失敗者(loser)，勝利者直接進(jìn)入下一次迭代，失敗者根據(jù)下式向勝利者學(xué)習(xí)并更新自身位置和速度；
6.根據(jù)權(quán)利要求1所述的一種基于icso-svm模型的光伏發(fā)電功率預(yù)測(cè)方法，其特征在于，所述步驟s4中，基于改進(jìn)cso算法對(duì)svm的超參數(shù)進(jìn)行尋優(yōu)，建立icso-svm預(yù)測(cè)模型對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)；
7.根據(jù)權(quán)利要求1所述的一種基于icso-svm模型的光伏發(fā)電功率預(yù)測(cè)方法，其特征在于，所述步驟s4，數(shù)據(jù)反歸一化及模型預(yù)測(cè)效果評(píng)價(jià)；對(duì)預(yù)測(cè)得到的光伏發(fā)電功率數(shù)據(jù)進(jìn)行反歸一化處理，使其具有物理意義，計(jì)算公式為：