随着全球能源危机和环境污染日益严重,可再生能源的开发与利用已成为当今时代亟需解决的问题。太阳能作为一种可再生能源,不需要消耗地球的任何资源,同时也不会造成污染,因此光伏发电得到了广泛的关注和应用。但是,光伏发电的输出受气象条件影响很大,发电功率具有明显的多变性、间歇性和不确定性,在并网时将会对电网造成一定程度的冲击,并引发电力系统一系列的安全、稳定问题。在满足安全稳定约束的前提下,如何尽可能的利用太阳能已成为光伏发电的研究重点,而光伏发电功率的准确预测正是解决这一问题的关键,因此光伏阵列的发电预测方法研究具有非常重要的价值。传统的光伏发电预测方法大多基于单一预测模型,且不对输入量进行任何处理,造成了输入变量间存在着耦合性,模型也存在着过拟合现象。因此本文提出了一种综合使用前向选择法(forward selection,FS)和K-means聚类以及径向基函数(radical basis function,RBF)神经网络的光伏发电功率预测方法。模型以待预测日每小时的辐照度、温度、湿度、风速和空气质量指数(air quality index,AQI)作为输入量,首先采用前向选择法对原始输入变量进行约减,在降低维数的基础上减小了各个变量间的耦合现象。再通过K-means聚类方法对样本进行聚类,继而对各类数据建立不同的RBF预测模型,避免了单神经网络的过拟合问题。实验仿真结果表明,相比于传统的单一神经网络,本文使用的模型输入变量更少,预测精度更高。