随着我国光伏发电并网化技术体系的进一步完善成熟与快速发展,光伏电站并网化发电技术已渐成主导趋势。大容量和集中的并网使光伏发电系统容量得到快速的增长,然而集中并网的光伏系统产生的最大输出的功率实质意义上仍然是一个间歇性增长的和完全不可控的。这些固有的特性会对电网运行产生一些不利影响,严重制约并网光伏发电。对太阳能光伏发电系统输出功率的预测是电网良好运行和对进入太阳能系统的能源进行优化管理所需要的。在预测太阳能光伏发电系统输出功率的之前,有必要将预测的重点放在太阳辐照度上。本文对江苏某地两年的太阳辐射数据进行了研究,主要成果如下。将一种新颖的聚类技术与无监督机器学习进行组合,提出了一种太阳辐射数据预处理方法。先通过矩阵补全方法对缺失数据进行恢复;然后利用鲁棒主成分分析对补全后的数据进行降噪处理;为了减少天气类型对太阳辐射的影响,使用k近邻表示和稀疏子空间表示相融合的谱聚类方法对数据集进行聚类。对于聚类后的数据集,采用不同的神经网络模型对太阳辐射进行预测,并对比其性能。实验结果表明:所提出的太阳辐射预测方法确实在整体上提高了预测精度,合理的数据预处理和样本划分对短期太阳辐射预测产生有利的影响。结合多种因素,设计了用于测光伏发电量的集成学习模型。模型将太阳辐射、日照温度和用电功率等因素作为输入变量,这在一定程度上可以提高发电量的预测精度。