Sous l'influence de facteurs météorologiques tels que l'intensité lumineuse, la température, l'humidité et la vitesse du vent, les systèmes de production d'énergie solaire présentent des caractéristiques de fluctuation, d'irrégularité et d'insubordination de l'énergie de sortie, et la précision de prévision de la quantité d'énergie solaire est faible. Pour cette raison, la théorie floue est utilisée en combinaison avec la machine à vecteurs de support pour prévoir la quantité d'énergie solaire. Tout d'abord, les degrés d'appartenance floue sont calculés à l'aide de l'algorithme de moyenne floue C, puis les échantillons sont soumis à une classification, formant des échantillons flous, puis la machine à vecteurs de support forme les échantillons flous, et enfin utilise le modèle de prévision pour prédire la quantité d'énergie solaire dans les prochains jours. Les expériences de simulation virtuelles avec MATLAB montrent que le modèle de prévision avec support de la structure floue est plus stable et présente une erreur de prévision plus faible par rapport au modèle classique de réseau de neurones BP et au modèle de machine à vecteurs de support, et ce modèle améliore la précision de prévision du système.

théorie floue; machine à vecteurs de support; énergie solaire; prévision de la quantité d'électricité; logiciel MATLAB; degrés d'appartenance floue; modèle classique de réseau de neurones BP; erreur de prévision