随着光伏发电的快速发展,由多个光伏场站集成的光伏集群的发电形式越来越普遍。把握光伏集群输出功率的变化规律,实现对光伏集群输出功率的有效预测对电力系统运行调控决策具有重要意义。由于光伏集群中包含众多光伏场站,导致光伏集群功率预测所涉及的输入数据类型多样且规模较大(包含集群内各光伏场站的数值天气预报和输出功率),且各光伏场站输入数据之间存在复杂的相关关系。因此,光伏集群功率预测的关键在于如何高效地从高维复杂的输入数据中挖掘有效信息,实现高维输入数据与光伏集群输出功率间精确的非线性关系拟合。目前常用的光伏集群功率预测方法主要有累加法和统计升尺度法,前者直接将集群内所有光伏场站预测结果进行累加得到光伏集群功率预测结果,后者则利用基准光伏场站预测结果升尺度得到光伏集群功率预测结果,其中均缺少对光伏集群功率预测输入数据的深度挖掘,预测精度仍存在改善空间。此外,光伏集群功率变化具有较强的不确定性,难以被准确预测,累加法和统计升尺度法均为单值预测方法,无法为电力系统运行人员提供光伏集群功率预测结果的不确定性信息。本文利用深度学习理论,实现了光伏集群功率预测输入数据的深度挖掘,充分提取关键有效信息,从单值预测和概率预测两方面入手,开展基于数据挖掘的光伏集群功率预测方法的研究。首先提出了基于卷积神经网络(convolutional neural network,CNN)算法的光伏集群功率单值预测方法。该方法利用卷积神经网络强大的高维数据处理和深度特征挖掘能力,对光伏集群功率预测的输入数据进行深度挖掘及特征提取,可有效改善传统光伏集群功率单值预测方法的精度。在此基础上,为衡量光伏集群功率预测结果的不确定性,本文进一步将卷积神经网络算法与非线性分位数回归(quantileregression,QR)算法相结合,并对卷积神经网络结构做出了适应性改进,提出了基于卷积神经网络分位数回归(CNNQR)的光伏集群功率概率预测方法。该方法结合改进的卷积神经网络,能够更加高效地提取输入数据中包含的复杂特征并生成非线性分位数回归函数,提供光伏集群功率的分位数预测结果。文中使用山东省潍坊市10个光伏场站的历史数据对本文所提出的预测方法进行验证,并与多种常用的光伏集群功率预测方法的预测结果进行对比分析,验证本文提出方法的有效性。