伴随着经济的快速发展,能源需求越来越大。光伏发电具有绿色环保、可再生等优点,世界范围内光伏发电这种新的能源利用方式呈现出稳步增长;但光伏发电系统功率输出受到多种因素的影响,呈现高度的波动性。特别是大规模光伏并网时,电力系统的安全运行和电能质量将受到极大影响。因此,光伏预测技术对电网规划和稳定运行具有重大意义。本文在深入分析光伏发电原理及功率影响因素之后,针对有气象数据和无气象数据两种情况分别提出了基于特征分层聚类的混合核SVR短期光伏功率预测方法和基于VMD-DESN-MSGP模型的超短期光伏功率预测方法。针对有气象观测站的光伏电站,本文提出一种基于特征分层聚类的混合核SVR光伏功率预测方法,首先采用分层划分的思想,使用不同的特征因素通过两次聚类将历史数据划分到不同的天气类别,然后构造了一种混合核函数SVR预测模型,加强了预测模型应对不同天气状态的泛化能力,并在模型参数的优化上采用了不确定知识粒子群算法对模型参数进行优化,最后使用KNN将预测日分类为不同的天气类型,并使用对应天气状态的预测模型对预测日的功率进行预测,得到光伏发电预测功率。仿真结果表明,该方法在不同天气类型中的效果均优于传统聚类和单一核函数SVR预测模型,即使在复杂的天气状况下,仍能保持较高的预测精度。对于缺乏气象观测站的光伏电站,无法获取光伏气象数据是一大难题,在没有气象数据的情况下,本文提出了一种结合变分模态分解(VMD)、深度回声状态网络(DESN)和稀疏高斯混合过程专家模型(MSGP)的超短期光伏功率预测方法。首先采用VMD将光伏功率时间序列分解为不同的模态,降低了数据的非平稳性;然后为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;接着为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行再预测从而对预测结果进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果。仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性。