在环境危机和能源短缺日益严峻的今天,太阳能和风能等可再生能源的开发受到全球范围的广泛关注。近些年,在我国政策的大力扶持下,光伏发电产业得到高速发展,光伏电站的规模和发电容量在电网系统中的占比也愈来愈高。但是,光伏发电具有随机性和间歇性,其大规模并网会对电网的稳定运行造成冲击。对光伏发电功率进行预测,有助于电力规划部门统筹调配,提高光伏发电的利用率,有利于减少光伏并网对电网稳定运行带来的负面影响,提升电力系统运行的稳定性。虽然现有的研究中已有不少预测方法取得了不错的成效,但仍存在如预测缺乏时序性、模型输入所需数据繁杂、相似参考跨度大等缺陷,导致实际工程应用时的预测效果不够理想。本文针对以上问题,主要从以下三方面展开研究工作:1)光伏发电功率预测的影响因素分析。首先对光伏电池板的工作原理、光伏发电系统结构以及光伏发电的等效电路展开研究,为实验研究夯实理论基础;其次,利用广西某光伏电站历史数据,通过控制变量法对可能影响发电功率的多种气象因素逐一分析;最后,采用主成分分析对多元因素数据序列进行降维处理,降低输入数据维度,提高预测模型的计算效率。2)相似日选取法和相似时选取法样本选取研究。对灰色关联度相似日选取法展开研究,分析其原理和方法;通过电站实测数据对相似日法筛选结果进行分析,找出该方法的优势与弊端;基于相似日选取法对选取过程进行改进和优化,提出相似时选取方法;通过实验验证了优化后的相似时选取法,对特殊天气类型多变的气候条件具有更强的适应性能。3)基于长短期记忆(Long Short-Term Memory,LSTM)神经网络的光伏功率预测建模及验证。对输入多元数据序列预先处理,减少初始样本中的干扰信息,解决不同量纲之间的换算问题;通过主成分分析确定了模型的输入、输出、隐含层节点数;定性分析了模型各参数对预测的影响程度,经多次实验挑选出综合性能最理想的参数组合;此外,本文利用经典的极限学习机(ELM)和误差反向传播(BP)神经网络预测模型作为对比实验,验证所提出的相似时选取法和基于LSTM神经网络的光伏发电功率预测模型的有效性。实验结果表明,LSTM和ELM两组模型均展现出了较强的预测能力,其中LSTM预测模型拟合精度更佳;相似时选取法通过将相似时间段进行组合提高相似参考的准确性,在预测多变天气条件时稳定性更高;结合相似时的LSTM预测模型对于光伏发电功率等时序数据的预测具有较强的鲁棒性、并且在复杂天气状况下其预测精度也较为准确,能够为电力调度部门调整发电计划提供更准确的参考依据。