辽宁地区光伏资源丰富，潜力巨大，近几年辽宁地区光伏发电进展迅速。但是光伏发电具有很强的随机性，所以调度部门需要精确的光伏发电站功率预测数据，以便于维护电网的稳定运行。影响光伏发电的因素有很多，其中最为直接且影响最大的是当地的实时天气状况。由于辽宁地区光伏能源起步较晚，这些光伏电站的功率控制都还处于输出功率直接上网阶段，缺少光伏功率预测系统。为了解决辽宁省光伏发电站功率预测缺失的问题，本文设计了一种结合辽宁地区天气特征的综合相似日聚类法的光伏发电功率预测方案。
　　本文主要做了以下工作:第一，介绍了国内外的光伏预测研究现状，分析了辽宁地区巨大的光伏能源潜力，确认了发展辽宁地区光伏功率预测研究的必要性，详细介绍国内外太阳能发电功率预测的研究进度，以及国内外的异常数据的处理的研究进度，简述以上提到算法的对比优劣;第二，简要介绍光伏发电的相关理论知识，详细分析影响光伏发电的天气因素，并对目标光伏电站的采集数据进行异常数据的检测和修复;第三，设计了一种综合天气相似日聚类方案。结合辽宁地区的气候特点，运用灰色关联性算法将训练样本分类成四个广义天气小样本数据集。选择径向基(RBF)神经网络预测作为预测系统模型的主体;第四，建立预测模型。通过Matlab软件编写RBF神经网络代码，分别对四个样本集进行训练，保存为预测模型;第五，根据辽宁省辽阳市弓长岭区某光伏电站2020年全年的光伏发电历史数据，分别使用BP神经网络模型以及本文设计的具有辽宁气候特征的小样本RBF神经网络模型进行功率预测对2021年1到4月挑选出的四种广义天气类型的预测日进行功率预测，绘制实际值和预测值的对比图象，比较两种算法的优劣，计算绝对误差和相对误差。
　　最后，根据国家电网文件给出的光伏发电功率预测准确度指标参数，对仿真预测结果进行分析。算出预测数据的均方差、合格率、均方根误差和标准差，证明RBF神经网络模型对非线性函数的拟合度远高于BP神经网络。对比国家电网企业文件的指标要求（均方根误差小于0.2，合格率大于80％），证明方案预测结果符合要求标准，进而验证了本文设计的，基于RBF神经网络的小样本辽宁地区光伏功率预测策略的可用性。