光伏系统因受太阳辐照度,温度,湿度等气象因素影响,导致其输出功率具有明显的间断性、周期性和不确定性。当光伏系统在这种情况下并网时,将对大电网产生较大的冲击力。因此,精准地预测光伏发电系统的输出功率对电网系统具有重要意义。本文针对光伏发电功率短期预测问题,先简要介绍了光伏发电功率预测技术和光伏发电系统,随后分析了光伏发电功率输出与各气象因素的相关性和光伏出力时间序列的混沌特性。传统的基于神经网络的功率预测对多层网络进行训练比较困难,导致预测精度较低。深度置信网络(DBN,Deep Belief Networks)因具有优异性能的多隐层网络结构,已成为深度学习领域的研究热点。然而,当建立DBN光伏功率预测模型时,网络连接权重初始化一般通过随机分配获得,使得DBN易陷入局部最优解,粒子群算法可快速完成DBN连接权值的训练,但其容易早熟收敛。本文为解决这些问题,对粒子群算法进行改进,提出了基于结合混沌纵横交叉的粒子群算法(CC-PSO,Particle Swarm Optimization combined with Chaos Crossover)来进行全局优化迭代求解权重最优值,并建立了CC-PSO-DBN模型,利用此模型分别对晴天、阴天、雨天三种天气类型的某一预测日的出力情况进行了逐时预测,并同时采用BP(Back Propagation)神经网络,传统DBN,PSO-DBN三种模型分别对这三种天气类型进行对比预测,结果表明CC-PSODBN预测模型的准确性更高。本文又针对光伏电站的成本问题以及可利用的天气预报精度较低、数据有限及难以利用天气预报信息对历史样本进行准确的天气类型分类等问题,提出了一种改进Semi Boost(Semi-supervised Boosting)天气聚类法,采用了加权K近邻(WKNN,Weighted K-Nearest Neighbor)置信度传播(Belief Propagation,BP)分类算法,解决了Semi Boost以随机选择的方式选取起点进行迭代的问题。然后对聚类后的天气类型采用CC-PSO-DBN模型对春夏季节的平稳天气类型、突变天气类型与秋冬季节阴天天气类型的某一预测日的出力情况进行逐时预测,并同时利用仅根据天气预报信息划分的天气类型的BP神经网络、传统DBN、CCPSO-DBN这三种模型分别对这三种天气类型进行对比预测,结果表明基于改进Semi Boost天气聚类的CC-PSO-DBN模型预测性能更佳,基于改进Semi Boost天气聚类法划分的天气类型比仅根据天气预报信息划分的天气类型具有更高的参考价值。