能源需求的不断增长和环境问题的日趋凸显,使太阳能的开发及利用正逐步成为新能源发展的大趋势。太阳能是一种可再生能源,与其他新能源相比,具有分布范围广、利用率高、无污染等优点,可作为电网发电的能量来源,但光伏发电功率具有较强的随机性和波动性,大规模并网给电网的实时调度和安全运行带来了巨大挑战,因此提高光伏发电功率预测水平对光伏能源并网安全具有重要意义。本文首先分析了短波辐射、温度和风速等气象特征对光伏发电输出功率的影响,采用K-means++聚类进行天气分型,提高训练数据集的相似度,并对光伏电站实测数据和数值天气预报数据进行归一化处理,为搭建预测模型提供良好的数据基础。针对多维数值天气预报数据中存在大量冗余和不相关特征,会影响预测的准确度和增加模型的复杂度的问题,提出了一种基于因子分析的短期光伏功率直接预测模型。首先构造差分特征增加有效特征,同时起到滤波的作用,接着对已有气象特征进行因子分析,将由远少于特征数的公共因子作为预测模型的输入数据,并采用XGBoost算法对光伏功率进行预测,实验表明,因子分析能够提取有效特征并有助于提高预测精度。考虑到在多云、阴雨天气下气象条件的随机性较强,使预测误差波动较大,直接预测难以拟合异常波动值,故提出了一种基于无爬坡事件定义标准晴空集的短期光伏功率间接预测模型。以无爬坡事件定义标准晴空集,将历史实际功率和标准晴空集的差值作为目标变量,构造偏差特征,采用长短期记忆模型预测偏差值,再将预测偏差值与标准晴空集叠加,进而间接得到实际功率值。实验表明,该模型可以通过控制误差波动范围间接提高实际功率的预测精度。为了能够给电网调度部门提供更完整的光伏功率输出信息,建立了基于长短期记忆分位数回归的概率预测模型,能够准确量化光伏功率的不确定性,为电力系统运行决策提供全面的预测信息。模型对不同分位点上的光伏出力进行预测,并采用核密度估计方法进行概率估计,进而获得不同置信度下的置信区间。预测结果表明,该区间预测方法可以很好地提供光伏功率的波动情况,对实际应用具有一定的参考价值。