随着能源消耗的持续增长以及化石能源日益枯竭，我国能源结构逐步调整，光伏、风电等可再生能源和清洁能源的开发逐渐获得人们的青睐。由于光伏能源电力有着明显的间歇性和随机性，大规模光伏电站分散、多点并网渗透，使电网面临着谐波、稳定运行、电能质量等一系列问题，迫切需要更加准确的短期光伏出力预测方法来保证电力系统安全经济运行和协调电力资源利用。为了进一步提高光伏出力短期预测精度，本文围绕光伏出力短期预测方法开展了相关研究，论文主要工作如下：
　　开展了在聚类基础上的光伏电站之间多组光伏序列的空间相关性分析。从周边光伏序列数据中充分挖掘光伏出力变化的规律和特征，为光伏出力预测提供有利信息。首先，在周边光伏电站中依据k均值聚类算法选取与目标光伏电站的光伏序列相关性较强的参考光伏电站。其次，依据光伏出力随机性部分维持平缓或者波动状态时间长度的概率分布，将随机性光伏出力划分为若干时段，分时段计算目标光伏电站与参考光伏电站光伏序列之间的空间相关性。最后，在每个时段内按照给定的相关性阈值确定最优时延和满足相关性要求的参考光伏数据。
　　提出了一种考虑光伏出力空间相关性并采用长短期记忆神经网络的光伏出力短期预测方法。结合空间相关性分析后的参考光伏数据，同时考虑气象因素对光伏出力的影响，以及目标电站历史光伏出力数据，构建长短期记忆神经网络预测模型。通过主成分分析对原始气象影响因素进行特征提取，降低模型输入变量维数，重点对长短期记忆神经网络预测模型各个参数的选取进行了阐述和分析。
　　在美国可再生能源网站上选取了10个相近光伏电站的气象数据和历史光伏出力数据进行实例分析，并将其与未考虑光伏出力空间相关性的长短期记忆神经网络预测模型以及几种传统的光伏出力预测模型进行对比和分析。算例结果表明了所提模型方法在光伏出力短期预测方面的明显优势和较强的实用性。