由于环境污染加重、能源逐渐枯竭,太阳能引起了人们广泛关注。随着光伏普及率的不断提高,光伏发电功率预测在保证电网稳定、实现机组优化配置和经济调度方面的作用越来越重要。由于光伏发电具有频繁的波动特性,导致传统的单一预测模型无法对光伏发电功率进行精确预测。为此,本文开展了基于人工智能的混合光伏发电功率预测的研究,主要研究内容如下:针对单一BP神经网络在预测光伏发电功率时易陷入局部极值的缺陷,采用粒子群优化算法对BP神经网络参数进行寻优。算法网络构建方面,采用灰色关联度选取相似日数据,通过主成份分析对影响因素进行降维处理,提出了基于相似日理论和PCA-PSO-BP的混合光伏功率预测模型。分别对不同天气类型下的光伏发电功率进行仿真验证,并与传统预测模型进行对比,结果表明基于PCA-PSO-BP的光伏发电功率预测模型在不同天气工况下都具有较明显的预测精度优势。针对光伏发电功率的间歇性和波动性对预测精度带来的不良影响,在长短期记忆神经网络的基础上提出基于数据预处理的混合模型。引入完备总体经验模态分解（Complete overall empirical mode decomposition,CEEMD）和排列熵（Permutation entropy,PE）对原始数据进行分解与重构,降低时间序列的非平稳性。使用Kmeans算法筛选出与预测日的同类型的相似日作为训练样本,并且采用长短期记忆神经网络（Long short time memory,LSTM）作为预测算法,从而提出了基于Kmeans和CEEMD-PE-LSTM的光伏功率组合预测模型。经过与其他预测模型进行对比仿真实验,该模型在不同天气类型下的平均绝对误差百分比和均方根误差均小于最小二乘支持向量机（Least squares support vector machine,LSSVM）预测模型和LSTM预测模型,所提模型是一种更有效的光伏发电功率预测模型。综上所述,本文提出的基于人工智能的光伏功率混合预测模型有效提高了单一预测模型的预测精度,有助于优化能源部门的运营,提高电网运行的稳定性。