随着这几年经济社会的快速发展,过度地消费传统化石能源带来了严重的能源危机和环境问题,因此各国家逐渐将目光着力于新能源领域,其中太阳能因其普遍性、易开发和储量巨大等特点成为了研究热点。光伏发电受天气、季节等因素影响使得其出力具有较大的波动性和随机性,若将光伏功率直接并入电网系统,会严重影响电网的安全运行和调度;电网为了保证安全稳定运行有时会断开光伏电站的接入(即“弃光现象”),带来巨大的经济损失。对此,本文利用机器学习算法对未来12小时内的光伏出力大小进行预测,可以给电网调度人员提供有用信息。首先,本文简单阐述了光伏发电的基本原理和电路模型,并分析了在不同光照强度和温度条件下光伏电池的P-U和I-U曲线,这对于后续的光伏功率相关性研究有一定的帮助。然后提出基于机器学习的多特征短期光伏出力预测方法。该方法对采集到的光伏电站的异常数据进行判定和替换,并对所有数据进行归一化处理,保证模型训练效果;分析光伏功率与各气象数据(温度、光照强度、湿度和风速等)之间的相关性,并根据数据特点构造出温差和dis2peak等与光伏出力有较大关系的新特征。提出一种基于XGBoost算法的光伏出力预测模型,源数据包含气象数据和新构造的特征数据,利用K折交叉验证法将数据分为训练集和测试集两个部分进行训练和校验,实验结果表明在三种不同天气(晴天、阴天和小雨)条件下“XGBoost+新特征”的预测效果要明显优于“GBDT和SVR+新特征”和未添加特征的XGBoost预测方法。最后,提出一种基于机器学习光伏窃电的检测方法。利用K-Means聚类法将天气分为四类,每种天气赋予不同的天气权重。结合第三章基于“XGBoost+新特征”算法短期光伏出力预测的方法,根据早晚2小时的光伏功率提出了实时嫌疑检测法;由常规日、特殊日和综合窃电系数提出日类型窃电检测法。根据实时和日类型检测方法建立了长期光伏窃电的检测模型。基于三层的光伏窃电嫌疑检测方法可以根据相关参数的大小判断出用户是否存在窃电行为以及窃电的严重程度。通过模拟用户光伏窃电行为进行了实验仿真,结果表明本文提出的反窃电检测方法具有一定的实用性。