目前我国分布式光伏电站建设缺乏系统全面的前期规划,项目发电量预测涉及到投资者的利益,同时,准确估算中长期光伏电站的发电量对电网规划改进、调度优化、管理发展也具有重要意义。然而,由于中长期预测的时间尺度大、天气预报精度低、历史发电量数据样本有限,以及中长期发电预测与短期电力预测存在显着差异,短期电力预测技术无法直接应用于中长期预测。因此,建立一种有效的中长期分布式光伏发电电量预测方法具有重要意义。本文围绕分布式光伏电站中长期发电量影响因素分析及预测方法展开了研究,具体的研究成果如下:针对主要影响因子选取不当以及数据质量不高的问题,建立了一种基于copula函数的相关性分析方法模型,利用copula函数的非线性效应和趋势相关测度,有效地提取光伏发电的关键影响因子。并运用数据预处理技术对数据样本中存在的缺失值、异常值等处理,得到较全、质量较高的输入数据。为了选取分布式光伏电站系统效率(PR)影响因子,分析了气象因素与PR的关联程度,分析了光伏组件的损耗模型并给出光伏组件5参数计算模型,建立了分布式光伏电站能量传输设备如逆变器、交直流电缆、汇流箱等的物理损耗模型。该模型为分布式光电站PR预测模型提供输入参数。以传统随机森林(RF)模型为基准,建立了基于模糊C均值聚类与随机森林(FCMRF)的分布式光伏电站PR预测模型。利用实际分布式光伏电站数据以及当地气象数据对两种模型的预测性能进行了比较,得出改进后的随机森林模型具有较好的预测性能。以LSTM神经网络为基准,建立了中长期辐照度预测模型。利用实际气象数据对比LSTM神经网络模型与多元回归模型、持久预测模型以及支持向量机模型的预测效果。结果表明,LSTM神经网络在有限数据样本情况下具有广泛的适用性。在分布式光伏电站PR预测模型和中长期辐照度预测模型的基础上,建立间接预测模型。以实际分布式光伏电站数据为基准,分析对比真实发电量与预测发电量之间的误差,证明了该方法可行。