目前为止,全球人类仍面临着能源短缺的问题。太阳能是典型的周期性能源,光伏输出功率受到太阳辐照度等环境因素的影响,具有明显的间歇性和不确定性。光伏功率的准确预测,对电网的稳定调度、电站的生产和光伏系统的安全运行,具有重要的意义。因此,提升光伏输出功率的预测精度具有重要的意义。本文总结了光伏发电领域的现有研究算法,深刻的认识到,传统的神经网络模型一方面受电站数据来源的限制,未能充分利用多元环境序列的有效信息。另一方面,现有的数据模型随着输入变量的增多,会导致模型收敛速度减慢,同时欠缺对光伏功率随时间变化这一特性的考量,限制了预测精度的提升。本文旨在提高光伏发电功率预测精度,具体工作如下:(1)阐述了光伏功率预测算法的分类标准及各个标准下相应的典型算法,并结合实际数据对影响光伏功率的环境因素进行了理论分析,最后通过相关系数从数学理论方面确定了模型的输入变量。(2)采用相似日算法和灰色关联度分析理论从整体数据集中确定晴天、多云、雨天三类天气条件下的小样本数据集,消除天气类型的影响。(3)提出了一种经验模态分解(Empirical modal decomposition,EMD)、主成分分析(Principal component analysis,PCA)和长短期记忆神经网络(Long and short term memory neural network,LSTM)综合运用的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素,利用EMD将环境因素序列进行分解,得到数据信号在不同尺度上的变化情况,降低环境因素序列的非平稳性;其次利用PCA提取特征序列的关键影响因子,降低原始序列的相关性、冗余性,降低模型输入的维度。最后利用LSTM网络对多变量特征序列进行动态时间建模,实现对光伏发电功率的预测。(4)分别验证本文构建的模型在整体数据集和小样本数据集上与单一的LSTM模型、BP神经网络模型和XGBoost模型的有效性。验证结果表明,本文构建的基于EMD-PCA-LSTM的光伏功率预测模型,预测精度更高。