在全球加快能源转型、国家推进能源革命的大背景下，光伏发电作为重要的清洁替代方式受到了广泛的关注，全球范围装机容量增速迅猛。然而，光伏发电的不确定性不可避免，随着光伏渗透率的不断提高，能源消纳问题日益凸显，并网安全问题逐渐加剧。因此，进一步开展光伏发电功率预测相关研究，提高现有预测系统的精度和可靠性，对保障电力系统的安全性和经济性具有重大意义。
　　光伏功率预测分类方式众多，其中依据结果的表现方式差异，有单值预测和概率预测之分。单值预测可以得到未来光伏功率期望值，而概率预测可以提供分位数、预测区间、概率密度等更多有效信息。目前，国内外学者针对前者的研究已经相当成熟，而对后者的研究相对较少。随着研究的不断深入，概率预测展现出的优势越来越明显，不但可以提升光伏场站的风险评估能力，而且可以为电网调度决策者提供更丰富的参考依据。
　　目前，光伏发电功率预测方法存在着以下问题。一方面，现有的光伏发电功率预测方法大多局限于采用单一的预测模型，导致泛化性能有限;或是只通过简单的算术平均对模型进行组合，缺乏足够的理论支撑。另一方面，针对光伏发电功率的概率预测研究大多基于参数估计方法，分布模型参数的选择对预测结果的影响很大。而且实际情况下的先验分布形式往往是未知且不规律的，导致模型的普适性较差。
　　本文先后提出了基于改进集成学习算法的光伏场站功率单值和概率预测方法。首先提出了一种基于集成自适应增强随机森林的光伏场站功率单值预测方法。该方法将集成学习中的随机森林(Random Forest，RF)算法和自适应增强算法融为一体，利用数值天气预报(Numerical Weather Prediction，NWP)和光伏场站历史功率作为输入，挖掘隐含在样本集中光伏功率与NWP间复杂的非线性关系，来获得准确的预测结果。首先，为训练样本设置初始权值，再利用自助采样法，生成带有权重的子训练集来训练决策树。然后，对决策树结果取平均，输出随机森林的结果。进而，通过计算误差率，为每个随机森林分配相应的权重，得到加权随机森林的结果。最后，通过不断迭代优化，实现较高精度的光伏场站发电功率单值预测。算例分析部分选用宁夏四座光伏场站功率实际数据，并与其他单一预测方法进行对比，验证了所提出方法的准确性。其次，提出了一种基于多模型Stacking分位数回归的光伏功率概率预测方法。该方法采用了Stacking集成模式，并与分位数回归以及核密度估计(Kernel Density Estimation，KDE)方法结合，来获得可靠的概率预测结果。首先，在Stacking集成框架下，组合了RF、支持向量机和XGBoost等子模型，来弥补单一模型的预测误差。然后，在多模型Stacking的基础上融合分位数回归方法，来得到光伏功率的分位数结果以及概率预测区间。进一步，通过KDE方法，将得到的分位数结果转化成概率密度函数。最后，通过不断迭代优化，实现可靠的光伏发电功率概率预测。算例分析部分选用山东某地光伏场站实际数据，并与现有预测方法进行对比，验证了所提出方法的可靠性和敏锐性。