伴随着能源、环境问题的日益突出,太阳能受到世界各国越来越广泛的重视,光伏发电作为太阳能开发的主要形式之一,光伏的装机容量得到飞速发展。相较于传统的火力、水力发电,光伏发电受到太阳光照强度、温度、湿度、日照时长等诸多因素的影响,输出功率具有明显的间歇性、随机性和不确定性。为了保障光伏并网运行的稳定性,提高光伏发电的消纳能力,有必要提出准确的光伏发电功率预测方法,为电力部门的规划和调度提供科学的参考依据。本文的主要研究内容如下:(1)介绍了常用光伏发电短期功率预测方法的原理和模型建立过程,主要包括极限学习机(Extreme Learning Machine,ELM)、最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)和BP神经网络。本文计算Person系数,分析了影响光伏发电的主要因素,并基于主成分分析法建立光伏发电功率预测模型,减少了模型输入量,提高了模型训练效率。(2)传统的极限学习机输入权值和隐含层偏差都是随机选取的,模型预测精度仍有待提高。因此,本文提出一种基于改进极限学习机的光伏发电功率短期预测方法,采用列文伯格-马夸尔特法(Levenberg-Marquardt,LM)算法修正极限学习机模型参数,获得了极限学习机预测模型的最优网络,通过建立的改进极限学习机模型来进行短期功率预测,分析验证了改进模型的有效性。(3)单一预测模型对于数据的分析能力有限,为提高波动性较大的阴雨天气下的预测精度,本文在改进ELM的基础上引入另外两种非线性模型,提出一种基于相似样本和改进熵权法的光伏发电功率组合预测方法。首先,对光伏发电功率和气象数据样本进行聚类分析,初步形成不同天气类型下的相似日样本集,并采用加权欧式距离、余弦相似度和灰色关联系数来定义相似样本综合选取指标,从而选取模型训练样本。分别采用GA-BP、PSO-LSSVM以及本文提出的LM-ELM三种单一模型对待预测日的发电功率进行预测,最后利用改进熵权法来动态设置不同预测时间段内单一预测模型的权重值,将单一模型进行合理组合,获得光伏发电功率预测结果,表明了基于相似样本和改进熵权法的组合预测模型,在气象变化较大的天气下有较好的预测精度。