精确的光伏发电预测可以有效缓解光伏发电功率的强波动性对电力系统安全运行带来的冲击。由于光伏输出功率在很大程度上取决于光伏电站所处的天气状况，故基于精确天气分类的光伏发电预测建模是提高光伏预测精度的有效方法。然而，现实中历史辐照度数据往往存在天气类型标签缺失现象，为更好对缺失标签数据进行有效识别，我们需要建立天气分类识别模型。天气分类模型在训练过程中常会遇到训练数据集不足(特别是极端天气类型)和所使用的分类器选择困难的问题。鉴于上述考虑，本文提出了一种基于生成对抗网络的训练样本扩充方法和基于卷积神经网络的天气分类模型。首先，将气象中心提供的33类气象天气类型根据特点重新归纳为10类广义天气类型，然后针对10类天气类型下的辐照度数据分别利用基于生成对抗网络的生成模型来增加辐照度训练数据集，最后将数据增强后的辐照度数据集训练基于卷积神经网络的天气分类模型，其中增强后辐照度数据集由原始和生成的辐照度数据组成。训练完成的天气分类模型可以对历史数据缺失标签进行有效识别，而这些带标签的辐照度数据将后续应用于辐照度预测过程。在仿真过程中，我们评估了生成对抗网络生成数据的质量，并对卷积神经网络分类模型与传统机器学习分类模型(如支持向量机，多层感知器和K近邻算法)的分类性能进行对比。通过生成对抗网络实现不同分类模型的精度改进，并将天气分类模型应用于太阳辐照度预测中。仿真结果表明，生成对抗网络可以生成高质量的新样本，其可以捕获原始数据的固有特征，但又不是简单地记忆训练数据。此外，卷积神经网络分类模型显示出比传统机器学习模型更好的分类性能。通过基于生成对抗网络的数据增强，各分类模型的分类精度得到不同程度上的改善。天气分类模型在基于天气预报的日前光伏发电预测中具有重要作用。
　　作为光伏发电功率的主要影响因素，太阳辐照度可以通过经验公式换算为光伏功率数据，故本文首先研究太阳辐照度预测，随后将预测的辐照度换算为实际功率数据。以往研究常常基于手动特征提取、传统机器学习建模和单深度学习(Deep Learning，DL)模型，这些模型往往不能满足对复杂波动情景的预测性能要求。故本文提出了一种基于小波分解(Wavelet Decomposition，WD)，卷积神经网络(Convolutional Neural Networks，CNN)和长短期记忆(Long Short Term Memory，LSTM)的改进深度学习预测模型，用于日前太阳辐照度预测。鉴于太阳辐照度对天气状况的高度依赖性，所提出的模型是在四种广义天气类型(即晴天，阴天，雨和暴雨)下单独建立的。对于特定的天气类型，首先通过离散小波变换将原始太阳辐照度序列分解为若干子序列，然后将每个子序列输入基于CNN的局部特征提取器，以自动从原始子序列数据中学习抽象特征表示，由于每个子序列的提取特征也是时间序列数据，因此将提取后的特征输入进擅长建立时间关联特性的LSTM预测模型中来对子序列进行预测，最后通过将预测的子序列进行小波重建来获得特定天气类型下的最终太阳辐照度预测结果。本文通过仿真实验将提出模型与传统预测模型和单一深度学习模型进行比较，并进一步验证了我们提出的方法的可行性。