随着煤、石油、天然气等常规不可再生能源储量的日益衰减,各个国家和地区都在不断调整自己的能源消费结构。相较于不可再生能源在使用过程中所带来的污染日益严重等问题,太阳能作为一种开发便利、安全并且无污染的可再生能源越来越受到人们的关注,所以光伏发电越来越受到了广泛的应用与关注,但光伏发电量受大气环境中辐照度、温度、湿度、气压等诸多因素的影响,具有明显的不稳定性、多变性、间歇性和随机性等特征,影响电网系统的可靠性和稳定性,提高了电网经济运行成本,容易造成巨大的经济损失。如何安全稳定地利用太阳能已成为光伏发电研究的重中之重,因此光伏并网发电功率预测课题的研究在太阳能应用领域具有非常重要的价值。常见的光伏发电预测方法都是采用基于多维气象变量的单一模型,并且是以多维的气象数据直接作为模型的输入变量的模式进行预测的,因此传统的预测方法存在严重的过拟合导致精度不佳。本文是在综合了逐步选择法(stepwise selection)、混合高斯模型(GMM)聚类和径向基函数(radical basis function,RBF)神经网络以及模糊数学等方法的基础之上提出了一种针对雾霾天气的光伏发电功率预测方法。首先基于逐步选择方法对与雾霾相关的AQI和PM2.5等参数进行变量之间耦合研究,剔除耦合度较高的数据变量,利用高斯混合模型对不同天气类型进行聚类,在不同的日类型基础上分别建立神经网络模型,最后利用模糊数学的方法选择适当的日类型模型进行预测。本文基于2012年下半年到2015年10月份的天津大学26楼光伏智能电网的功率数据及当地相应气象数据分时进行光伏发电预测。仿真结果表明,与传统预测方法相比,本文所提出的方法模型输入变量少、拟合度高、雾霾影响参数对发电量显著度高、预测精度更高。