近年来,太阳能产量丰富、清洁环保等优点导致光伏能源在现代电力和能源系统使用率逐年增加。为了提高光伏系统的实时控制性能,需要准确预测光伏输出。每年在全球范围内出现关于光伏预测新的技术和方法,最终目标是减少预测中的不确定性。短期光伏概率模型的预测结果既能够在历史光伏的基础上给出未来时刻光伏值的波动范围和变化特性,也能够量化光伏的不确定性,因此短期光伏概率预测模型的研究是一项重要且具有现实意义的工作。本文通过光伏及其影响因素分析、光伏区间预测和光伏概率密度预测三个方面进行了研究,使用相关性分析方法挖掘光伏和影响因素之间的相关性,将光伏及其影响因素数据输入给影响因素和距离度量的长短期记忆神经网络光伏区间预测模型捕捉光伏出力规律。本文还构建了基于模拟退火的支持向量分位数回归光伏概率密度预测模型量化光伏的不确定性,研究成果对于短期光伏概率预测具有一定的指导意义。具体研究内容如下:(1)在光伏以及影响因素分析方面,本文首先将数据进行归一化后,基于多种相关性分析方法得到影响因素与光伏数据的重要性程度,验证和度量光伏和影响因素数据间的相关性。通过机器学习常用算法得到光伏数据集点预测预实验结果,使用点预测评价指标发现结果不如人意,说明传统点预测已无法精确预测现有数据集中光伏数据。(2)在光伏区间预测方面,本文构建了一种基于影响因素距离度量和长短期记忆神经网络的光伏区间预测模型,该模型以不同距离计算方法度量光伏影响因素,选取相似日光伏后使用长短期记忆神经网络预测结果筛选得到一组距离较近的相似时刻光伏值,最后通过非参数估计的方法得到光伏区间预测结果。实验结果表明,本文所提出的方法能够有效利用光伏影响因素数据,成功捕捉光伏影响因素和光伏数据之间的依赖性,比现有短期光伏区间预测方法具有更高的准确性。(3)在光伏概率密度预测方面,本文提出利用模拟退火算法寻找支持向量分位数回归模型的近似最优解,通过核密度估计方法将待预测时刻光伏预测条件分位数拟合为待预测时刻光伏概率密度函数。采取多种评价指标评估模型后,结果表明基于模拟退火的支持向量分位数回归模型的中位数和众数预测误差在大多数情况下优于其他两个概率密度预测算法的预测误差,且容易发现该方法点预测的预测误差也要优于传统统计和机器学习方法。