随着全球能源需求量的持续增长,世界能源危机越来越严重,传统能源对环境造成的污染越来越突出。太阳能作为一种绿色可再生能源,凭借持久性、清洁性和灵活性受到广泛关注。最近几年,分布式光伏作为能源利用的一种新形式得到了飞速发展。但由于分布式光伏出力受气象等因素的长期影响,具有明显的间歇性、随机性等特点,随着其规模的逐渐扩大,给电力系统的经济性和安全性带来严峻挑战。因此,准确的分布式光伏出力预测对电网的安全、稳定和经济运行至关重要,可提前估计光伏出力的变化情况,有助于协助调度部门制定合理高效的解决方案。分布式光伏电站由于装机容量较小、空间分布范围广泛,且受制于成本、技术条件等原因,大部分小容量分布式光伏电站并没有独立配备完整的电站监测体系,以至于无法得到精确的数值天气预报。因此,本文主要从影响分布式光伏出力的主要气象因素入手,引入微气象的概念。并将其贯穿于整个分布式光伏出力预测研究中。基于这一研究思路,论文的具体研究内容如下:（1）论文首先对分布式光伏出力的随机性、间歇性和波动性等特性进行了分析。然后采用线性图法和相关系数法分别计算了微区域微气象因素和光伏出力之间的关系。根据相关系数的计算结果,探讨了微气象因素对光伏出力的影响程度,为建立统计降尺度模型和光伏出力预测模型奠定了基础。（2）针对分布式光伏出力预测的数值天气预报气象数据分辨率较低的问题,提出了一种考虑高程（DEM）、植被指数（NDVI）、坡向（Aspect）和经纬度等预报因子的EOF迭代降尺度方法。该方法以气象数据与DEM、NDVI、Aspect、经纬度之间存在的相关关系为基础,建立一个大尺度预报因子和气象预报变量之间的统计关系,将其关系应用于小尺度、高空间分辨率得出降尺度后的微区域微气象数据变化信息,最后结合研究区域的实测数据对降尺度结果进行验证。结果表明:降尺度后微气象数据和实际值之间的误差明显小于原始气象数据和实际值之间的误差,能够较好的弥补数值天气预报区域未来气象变化不足的目的,为提高分布式光伏出力的预测精度提供更加可靠的气象依据。（3）针对分布式光伏出力具有间歇性和波动性的特点,提出了一种考虑微气象及奇异谱分析（Singular Spectrum Analysis,SSA）的神经网络分布式光伏出力预测方法。该方法主要包括序列成分的分解重构与预测模型构建两个阶段:序列分解重构阶段,在传统研究对序列进行分离的基础上,提出利用SSA算法对其分解得到低频序列、高频序列和噪声序列,然后剔除掉特征值较小的噪声序列,最终将子序列重构为低频项与具有不同特性的高频项;模型构建阶段在奇异谱分析的基础上,根据各子序列本身特征,构建考虑微气象序列的BP神经网络预测模型分别对其低、高频序列进行预测,然后将各序列的预测值相叠加作为最终的光伏出力预测值。最后以某地区的实际数据为例,并通过预测误差分析证明了所提方法具有更高的预测精度,但在规律性较强的光伏出力中预测效果不是很理想。（4）从统计降尺度得出的微气象数据出发,提出了一种基于微气象及特征分层聚类的最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）分布式光伏出力预测方法。首先根据光伏出力和微气象数据的不同特征属性,利用层次聚类算法对其进行划分归类,然后建立一种基于LSSVM的光伏出力预测模型,并引入自适应粒子群算法进行参数寻优。最后将待预测日按历史分类依据划分至所属类别,按其相对应天气类型下训练完成的预测模型进行预测得到最终的光伏出力预测值。仿真结果表明,该方法在不同特征属性的天气类型中均有较高的预测效果,即使在复杂多变的天气状况下,仍能保持较高的预测精度。