太阳能对人类来说是永不枯竭的能源,利用太阳能发电是太阳能利用的重要方式。精确的光伏功率预测能促进电网安全稳定运行,提高电能质量,还能为电网提供调度依据,提前针对功率波动做出应对措施。受气象因素和光伏发电系统自身特性的影响,使光伏功率具有随机性、波动性和间歇性特点,光伏发电的并网会对大电网产生冲击。近年来,国内多次出现长时间、大范围雾霾天气,冬季和春季尤为严重,光伏发电因雾霾频袭而遭受严峻考验。目前学术界关于光伏功率预测问题的研究较多,但只有少数学者考虑了雾霾因素对光伏功率产生的影响。雾霾会对光伏发电造成影响是确定的,但影响的轻重尚不明确,因此,通过对光伏发电功率与各影响因子尤其是雾霾的相关性开展研究,进而实现对光伏发电功率的准确预测具有重要的实际意义和理论价值。本论文的主要研究工作及结论总结如下:(1)光伏发电功率影响因素相关性研究。通过对影响光伏发电的太阳辐照度、光伏极板温度,环境温度、天气质量(AQI)和天气状况等气象因素与光伏发电功率相关性研究,明确光伏发电功率的影响因素。研究表明:太阳辐照度与光伏发电功率相关性最大,其次是光伏板温度,环境温度和天气状况;AQI与光伏发电功率呈现负相关。(2)基于灰色关联的光伏发电功率影响因素作用趋势分析。应用灰色关联分析法,在对数据进行0～1区间归一化和极大值归一化基础上,计算太阳辐照度、AQI、光伏极板温度、环境温度和天气状况与光伏发电功率的关联度和关联系数。结果表明,采用0～1区间归一化方法计算的灰色关联度和因子权重系数较极大值归一化方法更为稳定,影响因子作用由强到弱依次为:太阳辐照度、AQI、光伏极板温度、环境温度和天气状况。(3)基于BP神经网络光伏发电功率模型设计。在对数据进行模糊处理,异常数据剔除和归一化处理的基础上,设计了基于BP神经网络的光伏发电功率模型。(4)计及雾霾影响的光伏发电功率超短期预测分析。采用沈阳农业大学光伏电站运行数据,利用Matlab软件分别对传统BP神经网络(考虑雾霾的影响)、基于相似时的BP神经网络和基于相似时计及雾霾影响的BP神经网络的光伏发电功率超短期预测模型进行计算和分析。实验结果验证了模型的有效性和可行性,三个模型预测精度分别为20.83%、14.27%和12.17%,基于相似时计及雾霾影响的BP神经网络预测模型精度最高。