不可再生能源的逐渐枯竭导致了社会对于新能源的迫切需求,太阳能由于其广阔丰富、环保清洁的特点已成为可再生能源发展的主流。而太阳能光伏发电系统输出功率因天气环境变化造成的不稳定性,对电网的调度控制和电力市场运营造成严重的影响。因此,对光伏发电系统输出功率的准确预测成为光伏发电事业的重要挑战。本文首先对光伏发电系统功率特性分析,探索影响输出功率的主要天气变量。其次总结了目前主流的光伏发电系统功率预测建模方法,包括传统统计学方法(时间序列、时空序列、线性回归)以及机器学习方法(支持向量机、神经网络、分类回归树、K近邻算法、随机森林、梯度提升决策树)。通过分析各个模型的优势与不足,提出了另一种非线性回归预测方法——多元自适应回归样条(MARS)模型,既保持了多元线性回归模型的拟合优势,又能良好的捕获数据中的非线性关系。通过对澳门路环岛某光伏发电系统和美国Oklahoma大规模光伏电站两个不同数据集的拟合预测,利用全局搜索对各个模型进行参数寻优,利用RMSE、MAE和MAPE三个评价指标对10种模型的拟合预测结果进行对比分析。结果表明机器学习方法GBDT模型在准确度方面较传统统计学方法更具有优势,而解释性方面较弱,而MARS方法在模型准确性、运算效率、可解释性方面达到更好的平衡和稳定。最后本文根据不同的方法模型设计开发了一个通用型数据预测系统,包括数据导入模块、统计分析模块、数据建模模块和可视化模块,友好的界面和丰富的方法帮助用户对实际数据有更深入的理解,并能选择合适的方法进行建模分析。