光伏发电极易受天气条件的影响,这就造成了光伏场站输出功率很不稳定,当大规模光伏场站并网时会对电网带来巨大的冲击,进而影响电网的稳定性、甚至会造成人民生命、国民经济的损失。为了减少并网冲击带来的影响,确保电网安全、经济地运行,精准地预测光伏场站的功率变化变得十分重要。为此,国家能源局对各地区光伏并网场站进行了相关考核。西北能源局为了进一步确保资源的合理分配,电网运行能更安全、经济,又加大了预测准确性的考核力度。所以研究一套能满足西北地区考核要求的预测系统具有十分重要的意义。首先,考虑到数据对一个预测模型的重要性,对光伏场站的历史数据进行了数据预处理。针对历史数据中的重复数据进行识别、删除;异常数据进行识别、填充、删除;限电数据依据限电公式进行识别,删除,以及基于灰关联分析的补充修正。在此基础上,又进行了数据的特征工程,从数据预处理后的数据中选择出与输出功率相关的部分因素,接着又考虑到这部分因素不仅相互之间存在着耦合关系,而且由于当全部作为预测模型的输入量时会对模型的收敛性、训练效率有影响,所以对这部分因素进行了主成分分析,从中选出了与输出功率相关的能代表原数据信息的新影响因素,保证了输入数据的可靠性。其次,结合了西北地区的季节特性,将数据按照其不同季节、不同天气特性,分为了晴天、多云、雨雪三种天气情况,进行建模分析,考虑到小波神经网络极强的局部处理能力与自适应学习能力,提出了基于小波神经网络的预测模型,然而该算法易陷入局部最小值,然后结合遗传算法极强的全局寻优能力,提出了一种基于遗传算法优化小波神经网络的预测算法,与小波神经网络预测进行了对比,得出了优化后的算法预测准确性更高。然后,为了进一步提高对场站输出功率的预测能力,降低多云、雨雪天气条件下对遗传算法优化的小波神经网络预测模型准确性的影响,提出了一种基于广义回归神经网络的预测方法,该方法的优点是对波动性强、数据量少的数据具有极强的预测能力。并以这两种方法为基础,提出了基于遗传算法优化的小波神经网络与广义回归神经网络的实时加权组合的算法,该算法以实时预测误差平方最小值为目标函数,以实时权重系数和为约束条件,进行优化,从而确定实时权重的值,然后利用该组合算法模型与前两种模型进行预测对比,得出该方法较其他两种方法具有更好的预测性能。最后,基于组合预测算法进行预测系统的封装,系统采用B/S结构,框架采用Spring+Struts+Hibernate(SSH),前台展示采用HTML5+CSS3技术,并结合其它功能以及其物理构架、系统构架以及其内在的逻辑构架,设计一个光伏功率预测系统,为调度部门以及光伏场站提供相应的技术支持。