随着能源需求的增加和化石燃料的逐渐枯竭,风能和太阳能等新能源日益受到重视。但由于风光发电的不确定性,在风电和光伏并网时会影响电网的稳定性。准确预测风电和光伏输出功率是突破此难题的有效手段之一。为此,本文从风光数据处理、风光功率预测模型建立和风光预测误差不确定性分析三个方面对风光短期功率预测进行研究。针对风光数据在不同季节和月份具有不同的分布特性,论文使用模糊C均值（FCM）算法对数值天气预报和风光电站的历史数据进行聚类。在聚类过程中,采用3种不同的聚类策略:（1）对整年数据进行聚类分析;（2）将整年数据按季节分为4类,再对每个季节的数据进行聚类分析;（3）将整年数据按月份分为12类,再对每个月的数据进行聚类分析。通过对比3种聚类策略下的数据聚类效果,得到按照季节进行聚类效果最优,通过聚类分析可以进一步提高风光短期功率预测的精度和运算速度。在风电短期功率预测模型建立方面,论文提出一种基于鲸鱼优化算法（WOA）、极限学习机（ELM）的短期风电功率预测（WPF）模型。该模型利用WOA算法收敛速度快、收敛精度高的特点,优化ELM模型的输入权值和隐含层阈值,从而达到提高ELM计算速度和预测精度的目的。利用FCM算法聚类后的数值天气预报和风电场历史数据对WOAELM预测模型进行训练。对比分析了4小时、24小时和72小时时间尺度下,WOAELM、PSO-LSSVM与LSTM等模型的预测精度,结果表明本文所提出的模型的预测精度均高于其余模型。在日前光伏功率预测模型建立方面,论文提出一种基于WOA算法和最小二乘支持向量机（LSSVM）模型的日前光伏功率预测（PPF）模型。该模型利用WOA算法优化LSSVM模型的惩罚因子和核函数宽度,从而提高LSSVM的计算速度和预测精度。利用FCM算法聚类后的光伏数据集对WOA-LSSVM预测模型进行训练。对比分析了春夏秋冬不同气候条件下,WOA-LSSVM、PSO-LSSVM和LSTM等模型的预测精度,结果表明本文所提出的模型的预测精度均高于其余模型。针对风光功率预测的不确定性问题,构建高斯混合模型（GMM）用于准确描述风光功率预测误差概率密度分布,并据此提出风光功率预测结果置信区间的计算方法。通过与正态分布和非参数核密度估计方法进行对比,验证所提出的GMM模型能更加准确的描述风光预测误差的概率密度分布特性。