光伏发电功率预测可用于电网调度、故障检测等方面,是光伏电站并网的关键技术之一。本文以研究光伏发电功率预测模型为主线,将目前流行的机器学习技术应用到光伏发电数据的建模和预测中,主要完成以下工作及研究:(1)对现有的物理法、回归法、灰色预测法、时间序列法和机器学习法进行对比分析。研究使用Kmeans和SVM组合的方法进行短期光伏发电功率预测,使用Kmeans算法对训练样本进行聚类,减少其他类别样本带来的干扰,针对每类样本训练SVM进行预测。经实测数据实验表明Kmeans-SVM模型在晴天、多云和雨天条件下都能有效的预测光伏发电功率,其评价指标优于对比模型,加入Kmeans聚类能够有效提高预测精度。(2)研究使用Stacking算法集成多个SVM进行短期光伏发电功率预测,并与单一学习器模型对比,考察Stacking-SVM模型在晴天、多云、雨天的预测效果,经实测数据实验表明,Stacking-SVM模型在气象环境小幅波动的多云条件下预测性能突出,在晴天和雨天条件下预测精度也有明显提高,集成学习可以显著提高单一学习器模型预测性能。(3)研究使用LSTM算法结合注意力机制的ALSTM模型进行光伏发电功率预测,ALSTM模型使用两个LSTM分别对输入的发电功率序列和组件温度序列进行特征提取,使用注意力机制对LSTM隐层输出向量中的有用项进行自动关注。使用一年的实测数据进行测试,考察ALSTM模型在春夏秋冬和不同时间范围的预测效果,经实测数据实验表明ALSTM模型能在60min以内做出有效预测,且预测精度高于对比模型,加入注意力机制能提高特征提取的质量,进一步提升了预测精度。(4)研究使用大数据处理平台Spark结合机器学习算法对光伏发电功率进行预测,完成Spark on YARN平台搭建,使用Spark Mllib提供的决策树回归、GBDT回归和随机森林回归进行光伏发电功率预测,并得到了较好的预测结果。