由于太阳能是资源丰富、绿色环保、安全友好的可再生能源,全世界范围内都将加大太阳能发电的渗透率,其具有迅猛的发展趋势和良好的发展前景。但是光伏发电功率出力受到气象、地球自转等因素的影响,具有间歇性、不稳定性和不确定性。与传统的火力发电相比,势必会给大规模光伏并网带来许多挑战。因此,提高光伏电站出力预测的精度对保证电力系统的安全、稳定运行和提高电能质量具有重要意义。本文结合基于天气类型的聚类分析和机器学习算法对光伏电站短期功率预测进行了研究,主要研究内容为:首先,对光伏电站出力的影响因素进行分析。光伏电站出力的影响因素主要分为:气象因素、天气因素和光伏电站自身因素。接着利用统计法定性分析太阳辐照度、环境温度、相对湿度、风速、云量等气象因素与光伏出力之间的相关性。然后,探讨了晴天、雨天、阴天这三种天气类型下光伏电站的出力特性,分析两者之间的相关性,并简要分析了光伏电站内部因素的影响。经分析发现,不同天气类型和不同气象因素对光伏电站出力值的影响存在差异,而且不同气象因素之间存在复杂的耦合关系。其次,为了剔除气象因素之间的耦合关系并筛选出关键的气象因素,本文提出了改进偏互信息法(Improved Partial Mutual Information,IPMI),来降低输入变量的空间复杂度,减少不必要的冗余信息,提高了模型学习训练的效果和泛化能力。通过Benchmark验证实验,证明了 IPMI特征提取的正确率高于PMI,IPMI能够适用于本文的气象因素特征的自动筛选。最后提出了基于多模型的短期光伏电站出力预测方法。首先,通过主成分分析法来构建降维的输入矩阵,降低模型构建的复杂度。接着,利用AP聚类算法对全年NWP数据进行天气类型的划分,共分为四种天气类型。然后,基于极限学习机对各天气类型进行训练。最后,对于预测数据集,通过计算与各聚类中心的距离,进行模型选择,根据相应天气类型的训练网络得到最终的预测结果。由实验分析可得,本文提出的MMELM模型与BP、SVM和未划分天气类型的ELM模型相比,具有更高的预测精度和更快地预测速度。