近年来,太阳能已成为全球重要的新能源之一。随着分布式电源并网规模的增加,让电网调度变得困难,电力系统的稳定性下降,预测准确性及分布式光伏电源的准确选址定容是解决光伏发电并网问题、保证电力系统稳定性的前提。由于光伏发电功率受季节变换、昼夜交替以及各种天气因素影响,给电力部门制定调度计划带来困难。所以,文中对短期光伏功率预测和分布式光伏电源并网问题深入研究,具体研究如下:(1)为了降低短期光伏功率预测误差,提高预测精度,研究了基于改进灰狼算法对LSTM优化的模型。首先,采用相关性理论确定影响光伏出力的天气因素,为了减少季节特性的影响,根据季节划分四个不同数据集;其次,为了更好地挖掘特征深度信息,利用深度学习模型LSTM对四个数据集分别建立模型进行预测;最后,针对LSTM网络参数确定时,容易陷入局部最优的问题,利用改进的灰狼算法对LSTM优化,进而提高在大范围寻找最优解的能力,按照划分的数据集分别建立基于改进灰狼算法优化的LSTM模型进行预测,得到预测结果。(2)为了电力部门做出合理的调度决策,减少点预测模型存在误差带来的风险,更好的描述光伏出力波动范围,本文研究了能够对光伏功率进行区间预测的模型。首先,采用CEEMDAN算法对数据分解多个子序列;其次,计算各个分序列的排列熵并且将相近的排列熵值进行重新合并;最后,通过KELM对序列搭建分量预测模型,并且提出改进的蚁狮算法对KELM参数寻优,提高预测精度,将每个分量预测输出相加得到最后的预测输出。(3)为了提高光伏发电功率的利用率,减少网络损耗和提高经济性,文中将网络损耗费用、投资成本、电压质量作为综合考量条件,搭建了包括网损、投资成本、电压质量在内的多目标寻址定容优化模型。对光伏并网优化的方法进行研究,利用量子粒子群算法进行多目标优化。总的来讲,文中结合实际光伏电站的真实数据,并且以真实数据为基准,验证了提出的两个短期光伏预测模型的有效性;文中构建了多目标的分布式光伏并网的选址定容综合优化模型,提高了光伏并网的经济性,减少了网络损耗。