太阳能光伏电站输出的功率主要由太阳能光伏板接收到的太阳辐照度决定。对于分步光伏功率预测方法，需先对影响光伏功率的辐照度、温度、湿度等影响因子进行预测，再根据影响因子预测功率。其中，太阳辐照度是影响光伏功率的最主要因素。因此，提高太阳辐照度预测的准确性非常重要。然而，辐照度波动规律的多样性给光伏功率预测带来了巨大的挑战，因此，需要挖掘辐照度波动规律以提高其预测精度。
　　目前研究多基于时间序列的距离相似性来进行波动规律匹配，而忽略了其波动形态上的关联性，难以保证匹配精度。复杂网络可以将非线性时间序列映射为网络，并通过网络的拓扑结构来提取数据的波动特性，从拓扑形态方面深入挖掘辐照度序列内在的波动模式。因此，本文提出了一种基于复杂网络理论和机器学习的超短期太阳辐照度预测方法，利用复杂网络理论进行辐照度波动模式匹配并通过BP神经网络算法构建预测模型。
　　本文首先对复杂网络构建方法进行了研究。根据目前复杂网络在时间序列分析上的应用，分析不同复杂网络构建方法对太阳辐照度数据分析的适用性，并确定了用粗粒化算法构建复杂网络并挖掘太阳辐照的波动特性。
　　进一步构建太阳辐照度数据的波动网络。通过利用粗粒化算法，将太阳辐照度序列转化为对应的波动网络，并阐述利用复杂网络提取太阳辐照度波动模式的过程。同时，定义了相对匹配率指标，对比分析了本文方法与欧氏距离等传统数据匹配方法在太阳辐照度特征提取方面的性能。
　　最后建立太阳辐照度超短期预测模型。在三种不同的天气类型下，采用实际的太阳辐照度数据，通过BP神经网络分别建立了直接预测模型、基于传统数据匹配方法的预测模型和本文方法构建的预测模型。利用均方根误差(RMSE)和平均绝对误差(MAE)两个评价指标对各模型的预测结果进行分析，并将不同复杂网络构建方法得到的预测结果进行了比较。
　　通过在三种天气下的仿真结果表明，本文所构建的超短期太阳辐照预测模型的预测效果均优于直接预测，且相对于欧氏距离和皮尔逊相关系数这两种传统数据筛选方法而言，本文模型的预测结果仍优于这两种方法下的预测结果。在复杂网络构建方法方面，针对辐照度序列，由于粗粒化算法相对于可视图算法更能够深入挖掘辐照度内在的波动特性，因此有更好的预测性能，从而验证了本文模型的有效性和适用性。