由于天气条件的不稳定性,使得光伏发电具有很强的波动性和间歇性。如果能提前对光伏发电功率进行预测,则可有效降低其对电网的冲击,并为电网的调度提供参考。本文在分析光伏功率的预测理论和气象影响因素的基础上,对基于历史功率数据和气象数据的短期预测和缺少历史气象参数的超短期预测分别进行研究,结合机器学习算法建立了短期以及超短期预测模型。主要工作具体如下:首先,针对短期功率预测,提出一种基于聚类和灰色关联分析（Grey Relational Analysis,GRA）的相似日和最佳相似日选取方法:采用K-means++算法对历史数据集进行聚类,利用与待预测日同属一类的历史气象参数建立气象特征向量,通过GRA算法确定其相似日和最佳相似日,结合Elman神经网络构建短期功率预测模型。通过使用DKASC（Desert Knowledge Australia Solar Center）网站所提供的光伏电站历史数据进行建模,对所选四个季节的待预测日的发电功率进行预测,预测结果显示该模型的预测效果优于所选择的8种对比预测方法。其次,针对超短期功率预测,提出一种基于SAGA-FCM-LSSVM的超短期预测模型。采用通过遗传模拟退火算法（Simulated Annealing Genetic Algorithm,SAGA）优化模糊C-均值聚类算法（Fuzzy C-means Algorithm,FCM）初始聚类中心的SAGA-FCM算法对历史数据集进行聚类,利用最小二乘支持向量机（Least Squares-Support Vector Machines,LS-SVM）模型映射多元气象因子和功率的非线性关系。与BP神经网络和LS-SVM模型相比,该方法具有更高的预测准确率。再者,针对超短期功率预测,在缺少历史气象参数的情况下,提出一种基于混沌-BP神经网络（Chaos-BP Neural Network,C-BPNN）超短期预测模型。其预测精度比混沌-广义回归神经网络（Chaos-Generalized Regression Neural Network,C-GRNN）方法和混沌-最小二乘支持向量机（Chaos-LSSVM,C-LSSVM）方法高。最后,为了将预测模型能与实际系统相结合,并可直观地观察到发电功率预测的结果,本文采用MATLAB/GUIDE工具开发具有预测功能和结果查询及打印功能的上位机。综合各项测试结果表明,本文提出的预测模型在不同工作情况下具有较好的预测性能,对光伏电站短期功率预测技术的设计具有一定的参考价值。