传统电网通过对负荷需求的预测,强调发用电的源-网-荷环节实时平衡;大量光伏发电的接入,将带来随机间歇性、逆调峰以及源荷两端不可控等问题。因此如何实现短期光伏发电功率的准确预测,对于持续提升新能源在电网中的比例具有重要意义。目前,短期光伏发电主要将光伏发电历史数据以单模态的形式,直接利用时间序列、神经网络等方法进行预测。虽然在整体趋势预测上取得了较好的性能,但忽视了光伏发电非线性和非平稳的多模态特性。本文将模态分解方法引入到光伏数据的处理过程,将复杂光伏出力信号分解为具有不同时频特性的子信号,然后有针对性地与预测模型进行结合,既降低了预测模型的复杂度,又提升了预测模型对信号的适应性,从而改善了短期光伏发电功率的预测性能。本文主要研究工作包括:（1）提出了一种基于改进经验模态分解（Empirical Mode Decomposition,EMD）和ARIMA相结合的光伏发电系统短期功率预测方法,在传统基于EMD方法的基础上,加入白噪声检验环节,用以剔除没有重要物理信息的分量,解决了源于噪声的模态混叠问题,并在后续建模过程中用以检验模型是否充分提取序列中的有用信息。同时,对三种天气条件下多组光伏发电功率进行了预测,并与传统预测方法进行了对比,验证了所提预测方法的有效性。（2）提出了一种集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和反函数距离加权K近邻（K-Nearest Neighbour,KNN）的光伏发电功率组合预测方法,采用EEMD方法改进传统EMD方法存在的模态混叠问题,并针对传统KNN回归算法中特征权重平均分配的缺点,引入反函数距离加权的思想对其进行改进,最后通过实证系统对该组合方法的预测结果进行了验证。（3）采用变分模态分解（Variational Mode Decomposition,VMD）与反函数距离加权KNN组合而成的预测模型对三种天气条件下的光伏发电功率进行短期预测,相较于EEMD组合预测模型,所提模型有效提高了预测精度。