光伏发电受到太阳辐射强度和气象状况的影响,具有高度的随机性、波动性、间歇性。这给大型光伏发电并网带来了严峻的挑战,因此,准确预测光伏发电功率有及其重要的现实意义。本文总结了近些年国内外与本课题相关的研究工作,对光伏发电超短期功率预测方法进行了分析研究。本文的研究数据来自于澳大利亚DKASC测试平台的官方网站(http://dkasolarcentre.com.au/locations/alice-springs)。首先,对影响光伏发电功率的太阳辐射、温度、湿度、风速等因素进行分析。为了提升预测效率,对影响光伏发电的历史相关数据进行归一化处理,用层次聚类方法选取K-means算法中的k值,并用与光伏发电功率非线性相关系数最高的太阳辐射与温度数据作为K-means的输入变量,对原始数据进行聚类分析,为晴天、阴天、雨天三种天气分别选取合适的相似日作为模型训练的样本。其次,针对传统BP神经网络易陷入局部最优的问题,本文建立了基于粒子群算法优化的BP神经网络(PSO-BP)预测模型和最小二乘支持向量机(LSSVM)预测模型,仿真结果取得了预期效果。最后,为了解决PSO-BP模型和LSSVM模型在阴天和雨天预测精度不高的问题,使用随机森林算法建立光伏发电超短期预测模型,提高预测精度。然后基于现有的PSO-BP模型LSSVM模型,利用灰色关联度分析确定两种单一模型与随机森林预测模型的关联度矩阵,将关联度矩阵作为人工神经网络的训练目标得到单一模型的最佳权重矩阵,分别建立组合预测模型。通过比较仿真结果以及与几篇相关文献的预测精度进行比较,基于随机森林与LSSVM的超短期组合预测模型具有较好的预测效果。