本课题针对新能源汽车光伏充电桩光伏功率的预测进行研究。近年来地球上石油等非可再生能源快速消耗,造成大气环境污染,新能源发展迫在眉睫。各国推出许多新兴政策鼓舞新能源汽车行业发展,新能源汽车充电桩技术也随之蓬勃发展。电动汽车光伏充电桩广泛应用,并入电网,将多余电量反馈电网。在发电过程受到天气云层等气象因素影响时,其出力功率将受到影响,分布式光伏充电站将电能回馈电网时会导致电网局部不稳定,引起波动。因此通过采集多模态天空全景图像及天气特征数据,建立模型,对光伏充电桩进行功率输出预报,可以缓解电网波动,提高光伏充电利用效率。对于光伏发电功率超短期预测研究方面,现有预测方法主要有历史数据预报法与地基云图预报法。历史数据预报法利用历史数据建模,但单一模型难以提取历史数据所反映的气象特征;传统的地基云图预报法在云层无规律消融时无法正确预测。为此,本文研究了全景天空图像及典型天气特征数据采集方法,并提出了一种基于多模态数据的太阳辐照度预测方法,主要研究内容如下:(1)多模态气象数据采集平台搭建。首先对比国内外全景天空图像采集效果,设计了一种天空全景图像采集装置,采集高分辨率全景天空图像,提取图像感兴趣区域;搭建典型气象特征数据采集设备,并对获取的数据进行数据清洗及相关性分析。(2)基于集成模型的超短期辐照度预测研究。针对超短期太阳辐照度预测问题,提出一种多模型集成预测方法,利用长短期时序记忆网络与极限梯度提升树训练预处理数据,并提出模型自动分配权重方法,提升了预测精度。(3)基于多模态深度神经网络的超短期预测研究。针对超短期云层运动剧烈的特点,提出了一种多模态、多输入深度网络预测模型。针对云团运动趋势线性外推存在的误差,提出了一种新型云团边缘与太阳中心的距离构造方法,并验证了距离数据的有效性。本方法融合云图数据、气象数据与距离数据进行预测,提升了预测精度。本文提出了基于多模态数据感知的电动汽车光伏充电功率预测研究方法,设计了深度神经网络模型,得到了良好的预测效果,为电动汽车光伏充电桩的推广提供技术支撑。