随着能源问题日趋严重,各国都在改变本国的能源消费结构,提高可再生能源比例。太阳能是一种备受关注的可再生能源,光伏发电技术是太阳能最有效的利用形式。然而,光伏功率具有随机波动的特点,随着接入电网比例的增长,会影响电网电压和潮流的稳定性。通过预测光伏功率,可以保证光伏电站并网时供电侧和负荷侧的功率平衡,减少光伏发电波动性对电网的影响。人工智能的方法已经广泛应用到光伏功率预测领域,并取得了较好的效果。但这些方法普遍采用离线预测的方式,很难较好地适应光伏发电实时动态变化的特性。尤其在发生概念漂移现象的时候,光伏数据的分布发生了变化,离线预测的精度会严重下降。而在线预测方法含有模型更新策略能及时更新预测模型,能较好的适应光伏数据分布的变化。因此本文设计了一种基于极限学习机的超短期光伏功率在线预测方法。首先,分析了辐照度、温度、相对湿度等气象因素对光伏功率的影响,从而确定模型的输入,避免了不合适的气象特征输入对预测结果的影响。针对光伏功率数据的波动性,采用集成经验模态分解算法将光伏功率数据分解成若干子分量,并按照频率不同分为高频分量和低频分量。针对变化趋势较为平缓的低频分量,在极限学习机模型的基础上增加滑动窗口模块、缓冲模块和在线训练终止模块,形成在线预测方法;针对变化趋势较为剧烈的高频分量,采用对快速变化信号有较好的处理能力的在线循环极限学习机模型预测。其次,以具体数据集为例,将本文所设计方法和其他离线光伏预测模型对比,结果显示本文所设计的模型对概念漂移现象有较好的处理能力;与其他在线光伏预测模型对比,结果显示本文所设计的模型具有更高的预测精度。最后,基于上述研究开发超短期光伏功率预测软件,软件以LabVIEW为框架,预测程序采用Python编写,数据存放在MySQL数据库中。软件设计分为四层,依次为数据读取层、数据存储层、业务逻辑层和界面显示层,其中业务逻辑层作为本软件的核心包含光伏发电功率预测模块和历史记录查询模块。该软件现已成功部署到综合能源系统仿真平台,验证了软件的功能。