近年来随着国家对新型能源的重视以及新能源发展战略的实施,光伏发电在电力行业中所占比重越来越大。随着光伏发电装机容量的快速增大,大规模光伏发电接入对电网的管理带来了巨大挑战。准确的光伏电站发电功率预测有助于电力部门进行合理的调度安排,对电网的安全稳定运行、太阳能的高效利用有着重要意义。为提高光伏电站输出功率的预测精度,提出用人群搜索算法优化支持向量机的方法预测太阳辐照度,将辐照度当作输入量,建立基于全局经验模态分解和极限学习机的方法预测光伏电站的输出功率。通过对影响光伏电站发电量的各个因素进行分析,以太阳辐照度作为主要影响因素,对其首先进行建模预测。使用搜索者算法优化的支持向量机来建立太阳辐照度预测模型,以辐照度的时间序列对支持向量机模型进行训练,通过搜索者算法对其参数进行搜索寻优,最后用训练好的模型对太阳辐照度进行预测。以预测得到的太阳辐照度为基础,预测光伏电站输出功率。建立了基于全局经验模态分解和极限学习机的预测模型,对输出功率历史时间序列进行全局经验模态分解,得到一系列相对平稳的分量,用极限学习机分别对各分量进行预测,把各预测结果求和得到最终的输出功率预测值。采用甘肃省某并网型光伏电站的实测数据,通过MATLAB软件对提出的预测方法进行仿真验证,并与传统神经网络和物理-统计方法进行比较。结果表明,基于人群搜索优化支持向量机的太阳辐照度预测、基于全局经验模态分解和极限学习机的输出功率预测方法有着较高的预测精度,该预测方法是可行的。