光伏发电预测作为一种保证电力系统安全稳定运行的方法,在智能电网运维调度、户用光伏发电系统供电决策等方面发挥重要作用。而复杂多变的气象工况所带来的波动性和随机性使得光伏发电预测极具挑战。目前国内外针对光伏发电预测研究主要有基于物理模型的预测方法、统计学方法、人工神经网络学习等。本课题基于企业实际需求及实验室已有研究基础,结合对国内外现有光伏发电预测方法的剖析,从预测输入和预测模型两方面入手,建立模型光伏发电预测,并进行示例分析评估模型。进而在模型评估分析的基础上提出一种光伏发电预测优化方法。该方法通过对基模型的输出功率预测值进行变分模态分解,同时考虑不同气象工况,采用多层感知机实现分解项在不同时间断面上的融合。最终开发完成一套光伏发电预测系统。本课题主要研究内容如下:（1）多气象工况光伏发电预测实验平台搭建。对多气象工况条件下的光伏发电预测系统数据采集进行需求分析,计算并确定光伏组件安装位姿,设计实验平台硬件系统,开发数据采集系统,实现包括环境气象因素及自身运行状态因素两部分的数据采集。实验平台最终获取了共185天77138条的原始数据,为后续数据分析建模提供数据基础。（2）光伏发电预测数据集建立及预测建模。对采集到的原始数据进行标签制作、异常值处理及标准化等数据预处理得到原始数据集,采用专家知识及信号分析手段为原始数据集加入新的构造项,建立构造了总计53640条数据的输入数据集,通过相关系数计算分析输入数据集中各特征项之间的关联性,验证了构造的输入数据集作为光伏发电预测模型的有效性。基于输入数据集,建立差分整合移动平均自回归模型、卷积神经网络模型、长短时记忆神经网络模型,并通过模型示例分析对比,三种模型总体误差在测试集中的比重均不超过10%,验证了模型在光伏发电预测上的可行性及所提特征构造方法的有效性。（3）多气象工况光伏发电预测模型优化。基于预测基模型在输入数据集上的表现结果,通过变分模态分解算法和基于K均值聚类的气象工况分类方法对基模型的输出结果进行深层数据优化,提出针对复杂气象工况的光伏发电预测模型优化方法并构造优化后的预测模型,进行示例验证。结果显示在晴朗气象工况下,优化后的预测模型均方根误差值降低了 19.46%;在非晴朗气象工况下,优化后的预测模型均方根误差值降低了20.5%。（4）光伏发电预测系统开发与实例验证。基于本课题构建的光伏发电预测优化方法,设计开发了适应不同气象工况的光伏发电预测系统,并在某光伏企业进行了实际案例测试验证。在31天3912条预测数据中,预测误差占比为5.49%,系统每次预测计算的时间大约耗时50ms,均满足企业需求,为企业光伏发电预测提供了一种可行的解决方案。同时也为最终运维决策及后续的研究分析提供了平台。