随着时代的发展,我国呈现出化石燃料用于发电使用的消耗急剧增加,这不仅仅会导致我国的化石燃料的储备减少,同样也会造成更大的污染。因此我国目前大力开发新能源用于发电,而风能和光能作为一种清洁无污染,储量丰富的能源自然备受人们期待,因此被列入我国能源发展计划之中。风能和光能属于自然能源,具有随机性、波动性以及不可控性等特点,这些特点增加了其被利用的困难度。同样其出力也具有很大的波动性,这会对电网的安全稳定运行造成很大的影响,因此提高风光的出力预测精度可以优化用电系统的调度安排,减弱出力波动性对电网的影响,减小风能和光能的利用难度,增加风电和光伏在电力市场中的竞争力。为了提高风电、光伏的预测精度,在分布式能源发电量占比30%的前提下,本文提出了适用于单一的光伏电站和风电场的出力预测方法和风光同场或近距离的风电场和光伏电站的联合出力预测方法。本文在建立单一预测模型和联合预测模型时分别用了不同的方法对数据进行了筛选。首先本文叙述里风电场和光伏电站的功率预测的研究现状,分析了目前多种预测方法的优缺点,并进行了一定程度的说明和总结,并对风光特性进行了一定分析,总结了一定规律,并陈述了数据选择的依据。然后结合分析所得,建立单一预测模型和联合预测模型,并进行误差分析和比较,得出最优模型。在单一光伏预测模型模型时,由于其采集数据较为良好,因此没有过多陈述数据处理问题。在预测过程中考虑到天气类型对光伏出力预测的影响,因此首先对天气类型进行分类,选取每个类型若干天的数据作为训练样本和测试样本,利用模态分解分解数据序列,减小其波动的干扰性,将分解量作为预测模型的输入量,预测模型选用了非线性回归能力很强的GRNN回归神经网络,最后优化预测模型,进行误差分析。建立单一风电场模型预测时,根据采集数据的特点采用样条插值法补全缺失的数据和使用邻值法剔除异常数据以及剔0法对采集的数据进行处理,由于风电场的数据序列更加杂乱无章,因此在预测时加入了支持向量机(SVM)数据系列进行进一步的优化拟合,以减小最终的预测误差,其次将优化后的数据序列作为输入序列进行预测。在预测单个风电场的出力后,根据聚类算法对区域内多个风电场进行划分,在划分后的没个子区域选取代表风电场,根据风电场的时空特性进行子区域的风电出力预测,最后预测区域内风电场集群的出力。在建立联合预测模型时,首先使用了格兰杰因果关系检验方法、最大相关和最小冗余算法对选用的数据序列进行筛选,选择出与风光出力序列相关性最大而不同属性特征之间相关性小的属性集作为功率预测模型的输入变量集。然后采用每个变量独立构建风光预测模型,并将其建立通过支持向量回归模型中的不同核函数说明了对预测的影响。其次,将单变量模型的预测结果作为预测风光功率预测的组合模型的输入。最终确立多变量预测模型,并进行优化。在每个预测模型建立过程中,都选用了内蒙地区的某风电场、光伏电站以及风光同场的工业数据作为数据支撑。