目前,光伏发电作为一种主要的绿色能源利用方式,已经被日益广泛使用。但光伏发电的使用也对用户和电网造成了不利影响。光伏大规模并网会导致电网中传统发电方式所占比例降低,因此当发生紧急情况时,电网的应对能力较差。光伏发电的波动性还会影响母线的功率平衡,造成电能质量的下降。因此,精确的光伏预测对光伏电站与电网的安全稳定运行十分重要。此外,对用户和电网而言,在对光伏发电功率进行精确预测时,若能够结合储能设备对光伏微网进行能量管理,使之能够储存多余的光伏电量并在需要时放出,也是十分必要的。通过能量管理,不仅可以在削峰填谷的同时减少光伏发电自身缺陷对电能质量的影响;而且对用户来说,也可将超出负荷所需的光伏电量卖给电网以利用微网带来的经济效益。基于此,本文对光伏发电系统的功率预测及能量管理优化技术进行了研究。本文首先提出了一种基于集成学习模型融合的动态功率预测方法。该方法将XGBoost,Light GBM与NGBoost三种集成学习模型加权融合,采用动态预测方式保证有足够的训练集对模型进行训练并保留了被预测数据的关联性;在此基础上,使用融合预测模型对光伏发电功率进行了预测。预测结果较之三种集成学习模型各自独立预测的结果有一定提升。其次,为进一步提升预测模型的性能,本文提出了另外一种改进的组合预测模型。在改进模型中,首先基于之前提出的融合预测模型特征重要性分析,将天气数据进行聚类以减小诸如阴晴云雨等不同天气类型之间的相互影响;之后使用集成经验模态分解算法（Ensemble empirical mode decomposition,EEMD）对光伏发电功率数据进行分解以降低数据的非平稳性;最后通过Light GBM模型进行预测,预测结果的精度有较大提高。并且进一步分析发现,改进后的组合预测模型即使在天气突变时也有更好的预测能力。本文针对包含光伏发电、储能设备与电动汽车的家庭级别光伏微网系统进行了能量管理的研究。首先以减小用电成本与电网波动性为优化目标建立了多目标优化模型;根据电动汽车在工作日与休息日参与能量管理程度的不同设置了两种生活场景,然后使用惯性权重线性递减的多目标粒子群算法（Multi-objective particle swarm optimization,MOPSO）对优化模型求解。结果表明,两个优化目标是相互制约的,两者无法同时达到最优。但经过能量管理优化后的用电成本有着显著降低,对电网造成的波动性也更小。