随着化石能源的不断消耗及其带来的环境污染问题,各国政府越来越重视对清洁能源的开发和利用,光伏发电如今已成为可再生能源领域的研究热点。然而光伏发电系统受外部环境影响,输出功率序列呈现出明显的非线性和间歇性。准确预测光伏出力情况,并做好事先规划能有效降低大规模光伏并网带给大电网的冲击。但目前的光伏输出功率预测算法通常存在易陷入局部极值、预测精度不够等问题。基于上述问题,本文结合深度信念网络技术对光伏短期发电功率的预测进行了研究,主要研究成果如下:(1)通过分析光伏电池的等效电路和工作原理,建立仿真模型,并在MATLAB中对光伏电池的输出特性进行分析。在历史发电数据和气象数据的基础上,深入分析影响光伏发电系统输出功率的相关因素。(2)针对现有的浅层网络预测模型,无法充分提取光伏输出功率序列中的深层特征,预测误差较大的问题,提出一种改进的PSO-DBN网络预测模型。将权重线性递减的策略和学习因子自适应的思想引入PSO算法中,对PSO算法进行改进。利用改进后的PSO算法对DBN网络的初始权值进行寻优,改善DBN网络初始权值随机性大、易陷入局部最优解的问题。(3)光伏输出功率和众多气象因素相关,按照天气类型分类建模的传统预测方法难以保证精确的预测结果。为改善模型的预测性能和缩短模型训练时间,本文提出基于相似日和和改进的PSO-DBN网络的预测方法,首先将原始数据按照广义天气类型进行划分,再综合除天气类型以外的多种因素选出与预测日具有高相似度的历史发电日集合,组成模型训练样本。由于相似日的输出功率序列与预测日相近,将其数据作为训练样本可提高预测模型的精度。(4)根据本文提出的预测方法,进行实际算例仿真验证,并和改进的PSO-BP模型、传统DBN模型、BP神经网络模型进行对比,充分验证了本文预测方法的可行性和有效性。