伴随我国新型城镇化建设,在增加用电需求的同时为分布式能源接入创造了环境。通过用户侧微电网进行分布式光伏集成应用,是实现新能源就地消纳,降低碳排放与环境污染的重要途径。国家相关政策已对分布式光伏未来一段时间的快速发展进行了相关规划,国家电网公司也出台政策为分布式光伏接入提供便利条件与相关技术支持。分布式光伏接入用户侧微电网后,为保证微电网与配电网的稳定与经济运行,相关微电网负荷预测技术与分布式光伏功率预测技术需要结合用户侧微电网的应用特点进行深入研究。提出采用核函数极限学习机构建功率预测模型,采用粒子群算法离线优化预测模型相关参数,对于在线功率预测系统,在保证预测精度的同时重点降低预测模型复杂度,从而构建离线参数寻优与在线功率预测相结合的预测方法。阐述国内外功率预测技术的发展现状,同时简要论述核函数极限学习机和粒子群算法的相关理论基础。(1)考虑到微电网负荷波动较大,使用分时训练样本进行参数寻优,获得一天各待预测时刻的最优参数。为提高负荷预测系统运行效率,仅选择同类型日期的高相关时段历史数据进行模型训练。对于平均负荷140千瓦至1300千瓦的四个不同类型的微电网分别进行1个月的负荷预测,周预测误差通常小于10%,最大不超过15%。由于微电网负荷可能在较短时间内出现较快增长,研究中对预测模型参数采用周期更新的方式,且在更新后能保持原有负荷预测精度。(2)对于分布式光伏功率预测,使用基于属性权重的训练样本筛选机制来降低预测模型构建复杂度。预测方法基于低成本的气象信息记录值而非数值天气预报,针对几十千瓦级的分布式光伏系统进行1个月的功率预测,预测误差约16%至18%。同时可根据属性权重值简化预测模型,在预测精度基本不变的条件下进一步降低计算时间。此外在分布式光伏随机覆尘或逆变器部分故障等条件下,预测模型无需人为干预或更新参数,即可保持原有预测精度与效率。