随着光伏接入电网的比例不断增加,其随机波动性对于电网供需平衡及安全稳定的影响也愈发严重,直接影响到电能质量以及光伏能源的有效消纳。通过对光伏功率输出量进行预测,对电能供应提前进行调度,可以保证供电侧与负荷侧的功率平衡,减小光伏发电波动对电力系统稳定运行的影响。目前,神经网络仍是最为常用的光伏功率预测方法之一,但传统的神经网络预测模型主要使用离线学习模式,依赖离线历史数据训练的模型投入在线运行后不再调整,很难较好地适应光伏发电实时动态变化的特性。本文聚焦于光伏功率的在线预测动态模型与方法,基于资源分配网络设计了一种两阶段的光伏功率预测方法,实现了模型的在线学习,并考虑数据中存在的噪声,进一步提出了二次动态调整策略,改善了在线学习阶段对数据特征筛选的精确程度,最后设计了并行多子网络预测模型,提高了预测模型的运行效率及预测准确度。主要研究内容包括:(1)基于两阶段RAN的超短期光伏功率预测算法传统神经网络预测模型主要使用离线的学习模式,过于依赖于离线的历史数据,无法学习光伏发电在实际应用过程中遇到的未建模数据特征。本文设计了一种基于两阶段RAN的光伏功率预测方法。在第一阶段依据RAN学习规则离线训练初始预测模型,在第二阶段继续在线对预测数据进行筛选学习,实现了预测模型对于未建模特征的在线调整,提高了神经网络预测模型对于光伏发电系统动态变化的适应性。(2)基于二次动态调整策略的RAN光伏功率预测算法光伏系统实际发电过程工况复杂,各种外界因素的干扰使发电系统的功率输出处于动态变化之中,因而在线数据中难免包含各种异常噪声。噪声数据会影响在线学习的准确性,导致模型学习到偶然的异常数据特征,影响预测效果。本文考虑到异常噪声数据对在线学习过程的影响,设计了一种二次动态调整策略,并提出了基于二次动态调整策略的RAN光伏功率预测模型(RAN＿SA)。通过为模型构建数据特征缓冲区并重新设计在线学习的判断条件,提高了筛选数据特征的精确程度,使模型能够准确学习典型的未建模特征,改善了RAN＿SA模型对于动态变化数据的预测效果。(3)并行多子网络光伏功率预测模型及综合算法单一RAN＿SA模型在应用于数据规模较大或训练数据时间范围较长的场景时,需要添加大量节点,而单个规模庞大的预测模型会带来沉重的计算负担,导致运行效率低下,预测效果不佳。多子网络的模型结构能够有效减少预测过程计算消耗,提升运行效率,同时后续调整仅改变单个子网络结构,降低了在线学习调整对于模型整体准确度的影响。本文设计了一种并行结构的多子网络预测模型,采用模糊C均值聚类算法对数据集进行划分,有效减少了子数据集的数据量,同时使各个类簇内的数据特征更为集中,模型训练学习更为准确。并行的多子网络结构不仅提升了预测过程整体的运行效率,也进一步提高了模型在实际光伏预测应用中的准确度,实际光伏数据仿真结果验证了所设计模型的有效性。