光伏发电已经成为继风力发电之后的可再生能源发电的新增长点。但由于光伏发电功率具有较强的波动性、随机性和间歇性,大规模光伏并网给电力系统的安全稳定运行与控制带来巨大的挑战。因此,对光伏输出功率进行合理预测,不仅能够为电网的发电计划制定、优化调度决策提供可靠依据,而且能够为多能互补系统的协调控制提供数据支撑,是提高电网接纳光伏电源的关键技术之一。本文在总结现有预测算法的基础上,针对光伏功率预测问题的特点,提出一种基于特征权重模糊聚类和改进高斯过程回归的预测模型,主要工作如下:数据预处理阶段,针对光伏输出功率与天气类型密切相关的问题,采用特征权重模糊聚类算法对天气类型进行划分,选用与预测日相同天气类型的历史数据作为模型训练样本。特别的是,由于复杂天气影响和测量设备误差等原因容易导致不良数据的出现,为降低离群值和异常值对预测结果的不良影响,在模型训练阶段,本文将传统高斯过程回归模型与孤立森林算法进行结合,提出一种加权高斯过程回归模型,异常程度较高的样本数据在模型拟合训练时将被设定为较低的影响权重,从而帮助模型更好的拟合输入变量与光伏功率之间的映射关系。模型优化阶段,采用纵横交叉算法对加权高斯过程回归的超参数选取过程进行优化,通过获取优质的超参数组合来提升模型的预测性能。最后,将测试样本输入所提模型当中,可获取观测点的光伏功率预测值及预测功率的置信区间。以澳洲爱丽丝泉光伏电站的实测数据进行仿真试验,将本文所提模型应用于晴天、多云和雨天三种天气状态下的光伏功率预测,并与其他传统的预测模型进行对比。通过仿真结果分析可得:(1)特征权重模糊聚类能根据日特征向量准确划分聚类中心,从而获取与预测日相同天气类型的历史数据作为模型训练样本。(2)本文所提的加权高斯过程回归模型在各种天气类型中能减少不良数据对模型的影响,相比原始高斯过程回归模型及其他传统预测模型有更好的预测性能。(3)纵横交叉算法能有效的应用于高斯过程回归的超参数选取过程中,优化效果优于传统高斯过程回归中采用的共轭梯度下降法。