若能实现对光伏发电功率的精确预测,对电网系统的稳定运行、发电计划的合理调控、光电产业的高质量发展都具有重大的实际价值。针对某一特定预测日,论文结合历史数据筛选同类型相似日,将相似日气象和功率数据作为训练集,以Elman神经网络模型为基础,采用主成分分析法和粒子群优化算法对模型改进,并进行仿真应用。主要研究内容如下:(1)总结了目前光电功率的主流预测方法,选择以神经网络为模型的短期直接预测法。分析预测误差产生的主要原因和普遍预测误差范围,确定论文的预测目标和误差评价指标。对原始数据进行了范围和趋势性检验,将异常数据重置为0并采用均值插补法和基于支持向量回归机的非线性回归填补法进行二次插补,确保了原始数据的有效性。(2)结合历史数据,通过计算皮尔逊相关系数确定影响光电功率的主要气象因素,再具体分析其规律特性。将历史数据按不同季节不同天气类型细分为9组数据集,提出各气象指标不论是均值大小还是变化幅度都较为接近的相似日,其发电功率序列必然具有很高的相似性,并给出了相似日的详细选取方法。(3)选用以BP神经网络为基础但动态性更强、稳定性更高的Elman神经网络,对网络作适当改进后构建Elman预测模型。采用主成分分析法(PCA)消除输入数据维数多,相关性强的问题,构建PCA-Elman模型。针对粒子群算法(PSO)的自身缺陷提出多项改进措施,用改进后的粒子群算法(IPSO)优化Elman网络初始权值和阈值,构建PCA-IPSO-Elman模型,以提取的3种气象因素主成分为输入,以功率数据点为输出。(4)通过Matlab软件仿真,分别采用Elman模型、PCA-Elman模型、PCA-IPSO-Elman模型对三种不同季节不同天气类型的预测日进行功率预测。实例结果表明,PCA-IPSO-Elman模型在晴天下的MAPE误差在6%左右,雨天MAPE误差在11%左右,多云(阴)天MAPE误差在10%左右,相对于基础Elman模型MAPE误差分别降低了12.41%、13.14%、10.96%,RMSE误差分别降低了0.31kW、0.382kW、0.308kW。论文最终构建的PCA-IPSO-Elman模型总体预测误差处于较好范围,为提高短期光伏发电功率的预测精度提供了一种新思路,对实现光伏发电的可测、可控、可调具有重要意义。