为了应对能源危机和环境保护的需要,可再生能源的应用已经随处可见。分布式电源可以就地消纳电能,在满足当地供电需求的同时力争与大电网互联互通,以实现电力传输并作为大电网的补充和支撑。但分布式电源本身具有的间歇性和随机性等缺陷随着分布式电源在电力系统中渗透率增加而逐步体现出来,影响了电力系统的规划和调度,造成电力系统稳定性降低。准确的发电功率预测不仅可以保证分布式电源的顺利并网,还可以降低分布式电源在并网过程中对电力系统的影响,提高电力系统的电能质量和供电可靠性。本文围绕微电网环境下水-风-光发电功率预测问题展开研究,主要工作归纳如下:(1)研究小水电站发电功率预测问题,针对小水电站受环境因素影响大、记录数据有限等问题,提出了一种基于改进粒子群算法优化BP神经网络预测方法。为克服粒子群算法在优化过程中参数过于随机化,提出采用伸缩因子代替权值以改进粒子群算法,从而构建最佳的预测模型。并以某地区小水电站实测数据通过对比仿真分析,所提预测方法相比于未改进的粒子群算法优化BP神经网络和BP神经网络,误差分别减小了2.30%和12.09%。(2)研究风速及风电功率预测问题,针对风速本身的间歇性和不确定性,提出了一种基于变分模态分解、样本熵重构和深度信念网络相结合的组合预测方法。为避免模态分量个数不确定问题,提出了根据模态分量的模态混叠程度和其对应的中心频率值变化情况来确定最优模态分量个数,同时为减小建模工作量利用样本熵重构模态分量,并分别构建纵横交叉算法优化深度信念网络预测模型,累积得到最终的预测结果,将风速通过风速-风电功率转换公式得到风电功率预测。利用美国国家可再生能源实验室风能中心实测数据进行对比仿真分析,所提组合预测方法相比于仅使用深度信念网络预测方法误差减小了6.60%。(3)研究光伏发电功率预测问题,针对光伏发电功率预测影响因素繁多、模型构建复杂和预测精度不高,提出了一种基于改进灰色关联分析和纵横交叉算法优化深度信念网络的预测方法。为确定合适的影响因素,采用互信息和最小误差的方法确定光伏出力影响因素;同时针对相似日选取困难的问题,以“点”和“线段”构成发电功率曲线,从距离和趋势两个角度着手,提出了基于改进灰色关联分析的距离相似度和趋势相似度构成综合相似度的相似日选取方法,并采用纵横交叉算法优化深度信念网络预测方法对光伏发电功率进行预测。利用澳大利亚某地太阳能数据进行实例对比仿真分析,所提预测方法相比于BP神经网络在典型天气类型晴天、阴天和雨天误差分别减小了5.56%、11.02%和8.49%,同时通过相似日和普通日的仿真对比体现了所提相似日选取方法的优越性。