太阳能作为一种可再生能源,以其清洁、蕴含量巨大等特点得到了迅速的发展。但是由于受太阳辐射等多种气象因素的影响,光伏出力具有很强的波动性和间歇性。当大规模光伏发电系统接入到电网时,会对电网的稳定性和安全性造成较大的影响。因此,准确可靠的光伏发电功率预测,可以给工作人员提供可靠的数据信息,有利于灵活管理光伏发电量,提高电网系统运行的稳定性和安全性。目前,对于光伏出力预测研究多是点预测,并且通过点预测值很难详细描述预测数据信息,而概率预测能弥补点预测的不足,因此本文主要采用概率预测方法。由于光伏出力受到多种气象因素的影响,而气象因素之间存在一定的相关性,为降低模型计算复杂度,本文采用随机森林算法中的特征选择功能进行特征选择,挑选出重要特征,作为预测模型的输入变量。在不同天气类型中,光伏出力相差较大,本文将采用模糊C均值方法按照天气类型对数据样本进行划分,获得具有相似天气类型的数据样本。本文提出了三种光伏出力概率预测方法,改进稀疏高斯过程回归预测方法、神经网络分位数回归预测方法和改进最小二乘支持向量机误差预测方法。在改进稀疏高斯过程回归模型中,引入的稀疏高斯模型大大降低了高斯过程回归模型的计算复杂度,采用改进灰狼优化算法对模型的超参数进行求解,提高了模型的预测性能。在神经网络分位数回归模型中,对不同分位点上的光伏出力进行预测,并且采用核密度估计方法进行概率估计,进而获得光伏出力的概率分布。在改进最小二乘支持向量机误差模型中,采用改进灰狼优化算法对模型参数优化,然后分别采用参数估计和非参数估计方法对预测误差进行概率估计,进而获得预测功率的概率分布。对三种预测模型分别进行了实例验证,结果表明,三种预测模型具有不同的预测特点。为了充分发挥出不同模型的预测优势,本文提出了一种分时段变权重的组合预测方法,将一天的预测时间分为四个时间段,每个时间段分别采用最优组合方法对三种预测模型进行组合,获得预测性能更优的组合模型。结果表明,组合模型相比于三种预测模型具有更优的预测性能,可以为电网提供更多更全面的预测信息,提高电网运行的稳定性和安全性。