随着传统燃料的快速消耗,能源衰竭和环境污染问题变得至关重要,当前迫切需要找到解决能源和环境问题并实现可持续发展的解决方案。因此,可再生能源在全世界引起了极大的关注,并且近年来得到了迅速的发展。太阳能通常被看作来源丰富且最为清洁的可再生能源,这使得太阳能成为目前探寻清洁能源的热门方向。当下太阳能光伏发电已在发达国家和发展中国家中广泛使用,并已部分取代了传统发电。而太阳辐射强度预测在太阳能光伏发电中起着重要作用,并且随着太阳能技术的发展,对高精度太阳辐射强度数据的需求正在增加。因此,太阳辐射强度预测已成为太阳能光伏发电的核心内容之一。本文以太阳辐射强度序列作为研究对象,具体选取武汉市1983年7月6日到2019年9月21日的太阳辐射强度序列数据,数据点共有13222个,对数据进行异常检测等预处理并进行训练集和测试集划分。同时,为了构建精度和置信度更高的预测模型,本文提出了一种基于改进的布谷鸟搜索算法优化的混合集成模型来进行武汉市太阳辐射强度预测。在提出的混合集成模型方法中,首先将带有自适应白噪声的集合经验模式分解（CEEMDAN）用于将武汉市原始太阳辐射强度数据分解为几个固有模式函数（IMF）和残差分量;之后采用Lempel-Ziv方法对所有成分的预测结果进行分频,进一步将IMF分为武汉市太阳辐射强度高频序列、低频序列和趋势项序列;最后利用改进的布谷鸟搜索算法对分频序列进行集合,并通过相应的集合权重获得最终的预测结果。同时,增加了其他六个基准模型作为比较模型,并通过误差分析和模型测试两个维度说明了模型的有效性。结果表明本文提出的CEEMDAN-LZC-CS-LSSVR模型在水平和水平精度上都优于其他基准模型,且在DM检验与鲁棒性检验中都表现最佳。经过混沌单纯形改进的布谷鸟搜索算法在各维度都优于基础布谷鸟搜索算法。本文提出模型比未经分解的CLSCS-LSSVR模型及经分解但未经LempZiv复杂度算法分频CEEMDAN-CLSCS-LSSVR水平精度均有提升;CEEMDAN分解方法相较于其余两种分解方法明显更优越,经过Lempel-Ziv复杂度算法分频后的算法能够显著降低模型实施复杂度,且精度略高于未经分频后的混合算法。