为了提高光伏发电输出功率的预测精度和可靠性，本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象，在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上，以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器，以LinearRegression作为第二层元学习器，构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明，该方法的R2、MSE分别达到了0.9874和0.1056，相较于单一的机器学习模型，预测精度显著提升.

为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（Radical Basis Function， RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法。

针对点预测类方法无法消除预测误差的不足，文中提出一种光伏发电功率短期预测方法。该方法采用极端学习机为光伏发电功率预测的回归预测方法，并结合三角形隶属函数模糊信息粒化的思路，将一定时间窗口的光伏发电功率历史数据进行模糊粒化。粒化后的窗口内历史数据包含功率变化值的最小值、最大值和平均值，形成了新的训练集，进一步对训练集采用极端学习机算法进行训练与预测，实现了光伏发电功率的区间预测。以某地区的光伏发电功率历史数据为算例进行了验证，结果表明：本文提出的方法可以预测光伏发电功率的波动范围，光伏发电功率真值全部包含在所预测的区间范围内。该方法对包含光伏新能源发电的电网调度计划具有工程实践意义。

光伏发电功率预测系统功能规范，国家能源局 发 布，2016-06-01实施，NB/T 32031-2016

针对光伏发电功率预测精度不高的问题，提出一种基于相似日和云自适应粒子群优化(CAPSO)算法优化Spiking神经网络(SNN)的发电功率预测模型。考虑到季节类型、天气类型和气象等主要影响因素，提出以综合相似度指标进行相似日选取；以SNN强大的计算能力和其善于处理时间序列问题的特点为基础，结合CAPSO算法搜索的随机性和稳定性优化SNN的多突触连接权值，减少对权值的约束，提高算法的收敛精度。根据某光伏电站的实测功率数据对所提模型进行测试和评估，结果表明，该模型比传统预测模型具有更高的预测精度和更好的适用性。

针对光伏发电的不确定性导致频率波动和电力系统不稳定带来的不利影响，本文采用改进模块化神经网络（MNN）对光伏发电功率进行预测，即利用回声状态网络代替MNN中原训练子模块模型。首先按季节输入历史数据；再经任务分解模块将数据分为不同天气类型的子数据，与预测日及预测日前一日的平均温度作为子模型输入样本；利用回声状态网络作为预测子模型，对相应输入样本训练与发电功率预测；最后经整合输出模块输出预测结果。结果表明，此方法较本文选用的其他方法预测精度提高28%以上。

该数据是澳大利亚太阳能研发中心的光伏发电功率数据，包括发电功率，风速，光照，降雨量，温度，湿度等影响因子。可以用于个人研究，模型训练，毕业设计等

为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一 种基于灰色径向基函数（Radical Basis Function， RBF）和神经网络光伏发电功率预测模型。 该预测模型综合了灰色预 测算法所需历史数据少以及 RBF 神经网络预测算法自学习能力强的优点。 最后，运用南昌地区夏季和冬季晴天、阴 天、雨天光伏发电历史数据在 MATLAB 应用平台编程实现对 GM-RBF 神经网络预测模型的预测精度进行验证，得出 基于 GM-RBF 神经网络光伏发电预测模型在夏季晴天预测误差为 6.495%、夏季阴天预测误差为 12.146%、夏季雨天 预测误差为 21.531%、冬季晴天预测误差为 8.457%、冬季阴天预测误差 14.379%、冬季雨 天预 测 误 差为 18.495%，其 预测精度均高于灰色预测算法和 RBF 神经网络预测算法