面对当前生态环境的恶化和传统能源的不断枯竭,清洁能源的发展已成为各国的迫切需求。在众多清洁能源中,太阳能因其分布广泛、绿色环保、资源丰富等优势成为了当今可再生能源的主流。近年来随着太阳能发电产业的不断发展,各种预测模型在太阳能电力系统中的应用也受到越来越多研究者的关注。在文章的研究中,提出了Lasso-FA-SVR模型与Lasso-FA-BP神经网络模型。由于影响太阳能预测的因素过多,文章将特征选择方法Lasso与太阳能的预测模型相融合,结合萤火虫优化算法改进支持向量回归模型和BP神经网络模型。这两个混合模型不仅能够降低原始数据特征向量的维数,还能优化模型相关参数的取值,从而提高模型的学习性能。文章成功地将模型应用于短期太阳能辐射的预测,并将所提出的模型与FA-SVR以及FA-BP神经网络模型的预测效果作对比。文章将所提出的模型用于太阳能辐射的短期预测,通过多组数据进行重复试验,最终的研究结果表明,在所有模型中Lasso-FA-BP神经网络模型的预测精度是最高的,与FA-BP神经网络模型相比MAE平均降低了22.61%,RMSE平均降低了16.52%,MAPE平均降低了22.03%,此外模型的训练时间也平均缩短了38.13%;而Lasso-FA-SVR模型与FA-SVR模型相比虽然预测精度未能提高,但是模型的训练时间平均缩短了86.13%,因此当对模型精度要求不是很高时相较FA-SVR模型可以选择Lasso-FA-SVR模型进行预测。