1.一种考虑历史相似日与组合权重的光伏功率预测方法，其特征在于，包括以下步骤：（1）利用灰色关联法选取气象特征，并采用模糊C均值聚类将历史日划分为晴天、多云、阴天和雨雪天气组成训练集；

（2）将分类好的四个训练集分别通过最小二乘支持向量机LSSVR预测；具体如下：对于训练样本 ，构造目标函数，公式如下：；

其中，为松弛变量；C为正则系数，用于控制模型的复杂度； 为损失函数； 为求解以w、b、为变量的最小目标函数；为权重向量； 为求解w的范数；

对目标函数采用拉格朗日乘子法表示为：；

其中， 为样本i的拉格朗日乘子；为偏置量； 为求解以w、b、、为变量的拉格朗日目标函数； 为求解以w、为变量的拉格朗日目标函数； 是将原始数据点映射到新特征空间函数；为拉格朗日乘子；

同时根据拉格朗日的优化条件：

得到：

；

选择径向基函数作为核函数，核函数 公式如下：；

其中， 为核函数的参数，将目标函数转换为非线性回归方程：；

并经过求解得到第一种预测结果；

（3）利用完全集合经验模态分解CEEMDAN将历史数据分解成若干子序列，将各子序列通过卷积网络CNN与长短期记忆网络LSTM并加入注意力机制的混合网络模型CEEMDAN ‑CNN‑LSTM进行预测；利用完全集合经验模态分解CEEMDAN将历史数据分解成若干子序列包括以下步骤：（S1）在光伏功率信号 中加入N组高斯白噪声得到新的信号，然后使用模态分解EMD对信号进行分解得到第一个固有模态分量 公式如下：；

分解过程中得到的 残差为：

；

其中， 表示求解 的期望值； 表示添加到原始信号中的辅助噪声， 为第m次迭代中添加的不同噪声；

（S2）在残差 中加入白噪声信号，继续进行EMD分解得到模态分量，并重复计算N次，取平均值得到第二个 ，其中， 表示第m次迭代中得到的残差函数；公式如下：；

其次，分解过程中得到第二个残差 ：；

（S3）反复执行步骤（S1）和（S2），直至无法获得负荷规则的模态分量；此时 为g，原始信号 即被分解为：；

（S4）将（S3）所分解出来的信号 放入CNN‑LSTM模型中进行预测得到第二种预测结果；

（4）使用灰色关联分析法将LSSVR的预测结果与CEEMDAN‑CNN‑LSTM模型的预测结果进行组合，以获得最终的预测结果；具体如下：首先将相似日模型预测的结果记为；日前模型预测结果记为 ；待预测日真实的光伏功率记为 ，两种预测结果与真实值之间的偏差记为 ，则：；

其中，为分辨系数；

各模型间的关联系数矩阵为：

；

其中，为关联系数矩阵， 为偏差； 为最小偏差值； 为最大偏差值；

对关联系数矩阵进行归一化处理，根据动态的关联系数权重，对两种预测模型的输出进行加权组合得到混合模型预测结果，公式如下：；

其中，P为最终的预测值， 为LSSVR模型对于第i预测值的关联系数； 为LSSVR模型的第i个预测值； 为CNN‑LSTM模型对于第i预测值的关联系数； 为CNN‑LSTM模型的第i个预测值。

2.根据权利要求1所述的一种考虑历史相似日与组合权重的光伏功率预测方法，其特征在于，步骤（1）中，气象特征包括全局水平紫外线辐照度、环境温度、降雨量、风向；模糊C均值聚类法公式如下：；

；

其中，数据集为 ，即光伏每日功率时序序列；为第j天的功率数据；

为样本隶属度； 为在模糊因子m的大小下样本隶属度的大小；n为样本数量即天数；

为聚类中心；m为模糊因子。