太阳能混合发电系统在新能源利用和节约电力成本方面发挥着重要作用。太阳能的准确预测,可保障系统安全稳定运行,对节约电力成本和提高经济效益具有重要意义。由于回声状态网络具有良好的动力学特性和简单高效的建模效率等优势,已成为时间序列预测领域的研究热点。然而,传统的回声状态网络是由输入层、隐含层（储备池）和输出层组成的单储备池层单任务学习模型,存在计算能力有限、可拓展灵活性及鲁棒性差、不适用于多尺度多任务的复杂太阳能预测问题,在一定程度上限制了回声状态网络在实际工程中的广泛应用与发展。因此,本文以太阳能序列为研究对象,以回声状态网络为主要方法,从网络结构设计及改进方面展开研究,设计了满足不同太阳能预测任务需求下的回声状态网络算法。论文主要研究工作及创新点如下:（1）设计了适用于单步和多步太阳能预测的多簇回声状态网络算法。首先,基于复杂网络理论,建立了多簇回声状态网络。为了探究不同历史信息及温湿度气象因素对建模精度的影响,分别构建了具有不同输入输出的多簇回声状态网络太阳能预测模型。另外,在实验分析中,针对现有研究大都只对预测结果进行定量分析,忽略了可以反映数据演化规律的内部特征的问题,本文采用定量和定性分析相结合的方法,对所建立的模型进行了综合评估。定量分析包括均方根误差、平均绝对误差等指标,从外部反映结果的准确度。定性分析包括非平稳性和复杂性等指标,从内部反映建模结果的准确性。（2）提出了适用于太阳能多任务预测需求的多时间尺度回声状态网络算法。针对具有多尺度多任务需求的太阳能预测问题,提出了多任务学习视角下的多时间尺度预测框架。在该框架下,设计了适用于太阳能多任务预测需求的多时间尺度回声状态网络算法。基于历史太阳能信息和多时间尺度回声状态网络,建立了可以并行完成多个任务的太阳能预测模型。在该模型中,不同时间尺度上的信息通过多个储备池进行状态共享,并在输出层集成得到期望值。实验结果表明,相比于多个单时间尺度单任务预测模型,本文提出的多任务多时间尺度预测模型可以更加有效地并行完成多个时间尺度上的预测任务。另外,由于利用了不同时间尺度上任务之间的关联信息,多任务模型在建模精度方面也优于单任务模型。（3）建立了满足太阳能预测简单高效需求的多储备池回声状态网络深度学习算法。传统单隐含层回声状态网络计算能力有限,且现有时间序列深度学习太阳能预测模型存在计算负担重等问题。因此,为了发挥深度学习强大的学习能力和回声状态网络简单高效的训练机制,设计了基于深度学习理念的多储备池回声状态网络算法。基于历史太阳能信息,建立了适用于单步和多步太阳能预测的多储备池回声状态网络模型。在储备池总规模一定的前提下,分析了隐含层层数对网络性能的影响。从网络内部特征表现,进一步探讨了模型在不同储备池层数下性能产生差异的原因。实验结果表明,在相同的储备池规模下,多隐含层回声状态网络性能优于单隐含层回声状态网络,且具有更丰富的动态特性和更强的信息处理能力。（4）提出了适用于太阳能时空预测需求且具有更好鲁棒性的链式回声状态网络算法。传统的回声状态网络融合高维数据集特征的能力有限。另外,当输入变量的维数发生改变或来自某个维度的信号发生干扰时,模型的可拓展灵活性和鲁棒性也需要进一步研究。因此,为了提高回声状态网络在时空建模中的可拓展灵活性和鲁棒性,本文提出了链式回声状态网络算法。基于时空太阳能历史信息,建立了单步链式回声状态网络太阳能预测模型。该模型由多个回声状态网络模块组成,采用了“分而治之”的思想,将高维输入变量划分为多个不同的低维变量集,并分别获得每个变量集的预测值。通过不断地集成每个变量集,进而获得最终的预测结果。实验结果表明,相比于传统的回声状态网络模型,链式回声状态网络在处理高维变量时具有更好的建模精度、可拓展灵活性和鲁棒性。