太阳能作为当今形势下一种重要的可再生能源之一,它所产生的电能即光伏出力在电力产业中有着重要的地位,光伏出力的准确预测更是大规模光伏发电并网消纳的重要保障。光伏出力的历史数据和关键环境影响因素的分析是光伏出力预测的重要依据,本文的研究重点就是充分挖掘历史数据和环境因素与预测日的光伏发电出力的关系,以此来建立光伏发电出力预测模型。具体研究内容如下:首先,光伏发电与传统能源发电相比,其出力水平受多种环境因素的制约,在不同的时间不同的地区光伏出力具有很大的随机性,对光伏出力关键影响因素的分析是合理建立预测模型的重要前提。本文基于对光伏电站系统架构以及运行特性的分析,确定了影响光伏电站出力的关键影响因素,包括:天气类型,辐照强度和温度。其次,采用改进的K均值聚类算法对光伏电站历史数据进行聚类,主要包括以下三个方面:采用密度指标确定初始聚类中心;采用DB指标确定最佳聚类数目;选用欧氏距离法、相关系数法和熵权值组合法分别作为聚类函数后进行聚类效果比较。在对历史数据聚类完成后把与待预测日最相似的集作为最佳相似日。最后,基于多变量相空间重构的方法对光伏电站原始功率、辐照强度和温度时间序列进行分解和重构,充分挖掘数据的高频和低频信息;进一步,利用回归型支持向量机(SVR)模型对重构后的辐照强度和气温进行预测和跟踪,并将预测结果作为光伏出力预测模型的可靠输入,利用SVR模型实现对光伏出力的高度非线性跟踪并得到预测结果。基于本文提出预测方法对光伏出力波动性较弱(晴天、阴天)及较强(多云天、雨雪天)两类情况的光伏电站超短期出力进行预测。通过与直接使用SVR预测方法的对比,验证本文基于相空间重构和SVR相结合的光伏出力预测方法的有效性。