1.一种基于PCA和混沌GWO优化RELM的太阳辐射预测方法，其特征在于，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，将所述的最优隐含层节点个数node和正则化系数C送入RELM中；

(4)将测试样本送入带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，得到的输出数据即为模型预测的待预测站点未来的太阳辐射预报值；

(5)对经混沌GWO‑RELM模型得到的待预测站点未来的太阳辐射预报值的准确性进行分析预测；

所述步骤(1)通过以下公式实现：

式中，xi代表原始值，yi代表标准化后的值， 代表序列从1,2,…n中的极小值，代表从序列1,2,…n中极大值；

所述步骤(2)包括以下步骤：

(21)构建样本矩阵[z1,z2,…,zg]，式中g代表各样本的维数,zi为第i维上各样本的列向量；

(22)对样本矩阵中的单元进行标准化处理；

其中，m为进行主成分分析的指标变量个数，z1,z2,…,zm共有m个评价对象，zij第i个评价对象的第j个指标， 为样本均值，wj为样本标准差， 为标准化指标；

(23)计算相关系数矩阵R特征值和特征向量ξ；

其中，λ1,λ2,…,λE为R的E个特征值，ξ1,ξ2,…,ξE为λ1,λ2,…,λE对应的特征向量；

(24)对特征值进行降序排列，选取前k，个特征向量构建新的线性变换矩阵X＝[ξ1,ξ2,…,ξk]，其中，k

所述步骤(3)包括以下步骤：

(31)构建RELM模型，同时设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数C的取值范围；将训练样本送入RELM模型；

(32)初始化灰狼算法的参数，包括最大迭代次数tmax和种群大小N，搜索空间的维度dim，搜索空间的上界ub和下界lb，设置迭代次数t＝0，随机初始化个体位置后，开始进行迭代搜索；

(33)计算适应度值：通过计算当前种群个体的适应度值，得到当前种群中适应度值最好的三个灰狼个体α、β、δ；

(34)个体更新：其余个体根据前三个灰狼个体α、β、δ的位置更新自身位置；

(35)通过局部混沌搜索在最优个体xα(t)附近产生新个体xm(t)，再次计算适应度值，保存适应度值最好的三个灰狼个体α、β、δ，判断是否达到最大迭代次数，若达到，则输出经混沌GWO‑RELM模型训练得到的最优隐含层节点个数node和正则化系数C，否则，跳转步骤(34)；所述局部混沌搜索采用Tent混沌映射：其中，xn取值范围为[0,1]；

(36)利用经混沌GWO‑RELM模型训练得到的最优隐含层节点个数node和正则化系数C送入RELM中，并将测试样本送入带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，计算得到的输出数据即为待预测站点未来的太阳辐射预报值。

2.一种采用如权利要求1‑任一所述方法的基于PCA和混沌GWO优化RELM的太阳辐射预测系统，其特征在于，包括数据收集模块、PCA降维模块、混沌GWO‑RELM模型计算模块和性能分析模块；

所述数据收集模块获取待测站点待测日的太阳辐射历史数据及其影响太阳辐射数据因素的历史数据；

所述PCA降维模块将原有高维数据投影到低维空间，保留信息量最大的主成分；

所述混沌GWO‑RELM模型计算模块用于混沌GWO算法寻找RELM模型的最优隐含层节点个数node和正则化系数C，将相应的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，输出数据即为待预测站点未来的太阳辐射预报值；

所述性能分析模块将得到的待预测站点未来的太阳辐射预测值进行准确度分析。