随着人们对环境保护意识的增强,全社会都在寻找着新能源,以此来替代传统的煤、石油等不可再生的化石能源。由于太阳能具有无污染的优点,它逐渐成为新能源的关注对象,使得光伏发电站以及装机容量都在不断增加。由于光伏发电量受天气变化条件这一不可控因素的影响,光伏发电系统并入电网将会对传统电网造成一定的波动。同时,由于电网的负载变化,也会对电网的调度增加一定的难度。因此,在受天气变化和地域条件限制的情况下,为了更好地配合传统电网的发电要求,如何准确地对光伏发电量进行预测一直是热点研究问题。考虑到回声状态网的网络训练特点,回声状态网的当前时刻的输出值受先前时刻的输入值的影响逐渐变小,我们就将回声状态网引入到光伏发电量预测研究中。同时,回声状态网能将低维的输入向量映射到高维的状态向量空间中,这样结合光伏发电系统,使得光伏系统的输入量的特征信息能够放大,那么回声状态网能够对光伏发电系统的未来某些时刻的发电量做出更加精确地预测。本论文主要围绕回声状态网,从内部机理到外部拓扑结构进行研究。对储备池状态的机理研究,将回声状态网用于非线性系统预测。结合现实世界中的不同特性,将分数阶微分的思想引入传统的回声状态网。再对储备池结构的拓扑研究,探究了串行的深度回声状态网,并行的宽度回声状态网。结合实际的光伏发电系统,将所研究的回声状态网应用于光伏发电量预测中,以提高发电量的预测精度。本文的主要内容如下:第二章针对周期离散动态非线性系统（含噪声或不含噪声）,提出了一种基于正弦回声状态网的预测方法。对于周期非线性系统,相比S型状态激活函数,正弦状态激活函数能够提供更为有效的映射能力。为了训练正弦回声状态网的输出权值,构造了一种基于矩阵的迹的在线学习算法。基于李雅普诺夫稳定性理论,证明了正弦回声状态网的预测误差能够渐进收敛到零。最后,结合实际光伏发电系统,针对周期性较强的光伏发电量时间序列,正弦回声状态网能够获得比传统回声状态网更好的预测精度。第三章提出了一种基于自适应回声状态网的离散动态非线性系统预测方法。通过分析不同输入信号的特性,可以自适应地调整回声状态网的状态方程。为了保证自适应回声状态网能够稳定地应用于不同的任务,给出了回声状态特性的一个充分条件。同时,我们给出一种参数优化方法来优化自适应回声状态网的储备池参数,使得所提方法的预测精度能够进一步地提高。我们也提出了一种基于历史状态和输出误差的在线学习算法来训练自适应回声状态网的输出权值。基于李雅普诺夫稳定性理论,并给出了预测误差的渐近收敛性证明。将自适应回声状态网用于光伏发电量预测,与传统的回声状态网相比,仿真结果表明了自适应回声状态网能够获得更高的预测精度。第四章考虑了现实世界中分数阶微分存在情况,提出了一种基于分数阶思想的离散分数阶回声状态网,并用于非线性系统的预测。由于分数阶模型的无限内存,离散分数阶回声状态网能够比较充分地反映出非线性系统的动态特性。为了保证离散分数阶回声状态网能够稳定地应用于非线性系统预测中,给出了回声状态特性的一个充分条件,并证明了离散分数阶回声状态网的储备池状态是渐近稳定的。针对离散分数阶回声状态网,提出了一种分数阶输出权值学习方法来训练离散分数阶回声状态网的输出权值。同时,还给出了一种分数阶参数优化方法来优化离散分数阶回声状态网的储备池参数。最后,结合光伏发电量,与传统回声状态网相比,离散分数阶回声状态网可以显著提高光伏发电量的预测精度。第五章提出了一种基于多个自适应储备池串行连接的深度回声状态网,用于时间序列与光伏发电量预测。根据输入信号的特征和储备池状态,利用主成分分析法,这种深度回声状态网可以自动地调整储备池的数量以及每个储备池的规模,这样能够保留下来输入信号最基本的特征信息,以致于这种深度回声状态网能够充分反映不同时间序列的动态特性。为了提高这种深度回声状态网的预测精度,提出了一种基于Broyden-Fletcher-Goldfarb-Shanno拟牛顿算法的优化方法,来优化这种深度回声状态网的储备池参数。为了保证这种深度回声状态网能稳定地应用于多种不同的任务,给出了一致回声状态特性的一个充分条件。与传统的几种回声状态网相比,对于基准时间序列,这种深度回声状态网能显著地提高预测性能。结合光伏发电量的实际数据,从而进一步地验证了这种深度回声状态网能够应用于实际应用中,并能提高预测精度。第六章提出了一种基于多个储备池并行连接的宽度回声状态网的光伏发电量预测模型。通过受限玻尔兹曼机的无监督学习算法,可以确定这种宽度回声状态网的储备池个数,使得它能够充分地反映一类光伏发电量序列的动态特性。基于Daviden-Fletcher-Powell拟牛顿算法,提出了一种参数优化方法来对这种宽度回声状态网的储备池参数进行优化。基于输出误差,提出了一种输出权值学习方法来训练这种宽度回声状态网的输出权值。为了保证这种宽度回声状态网的应用性,给出了同步回声状态特性的一个充分条件。