近年来,由于化石燃料的有限性和其对环境的不友好,以及全球电力需求的持续增长,让全世界对于环境无害的光伏发电的需求日益增长。在电力系统中,电力系统管理者会根据光伏发电企业上报的预测发电量,制定好高效益的日前出清计划。然而由于光伏能源的间歇性和不稳定性,会让光伏发电企业实际发电量没能满足预测结果,使得电力系统效益降低。现行出现了很多光伏预测的研究,其主要是以精度为目标,也默认了精确度越高电力系统效益损失越低,然而实际情况并不如此。当光伏企业的预测出现负误差（预测值<真实值）时,可以存储或不使用这部分能源,没有造成额外的成本损失,所以在本文中不做成本考虑;出现正误差时,多余部分相当于给电网增加了一个虚拟负荷,导致电网需要准备后备电源补偿供需平衡,从而造成电力系统整体效益的消耗。论文为了解决光伏预测造成的效益过低的问题,提出了新的光伏预测模型,把光伏预测的目标从单一的追求精度转变为在保证精度的前提下让由于预测结果的不精确而造成的电力系统综合成本的损失降到最低。该模型以机器学习为基础,在机器学习模型预测输出为正误差时,将正误差当作电网调度模型的虚拟负荷输入,从而确定调度模型中各个发电厂的出力,进一步得到用于供需平衡的度电成本和满足容量要求的容量成本这两个效益指标,再通过把效益指标与光伏预测的精度进行加权求和作为该模型的目标函数,最后利用目标函数的拟合度来更新机器学习模型的权重。该预测模型使用电网调度模型来计算效益,由于电网调度模型存在不可导约束,没有办法直接用梯度下降的方法来更新机器学习模型的权重,所以本文针对这种新模型提出基于机器学习模型优化LM（莱文贝格-马夸特法）算法。该方法采用带KKT条件的拉格朗日乘子法来解决问题,通过对电网调度模型的不可导约束近似可导化,求出目标函数到机器学习模型权重的梯度方程,并利用LM算法对权重进行更新。本文针对新模型进行案例对比,使用了基于BP神经网络优化的遗传算法、纵横交叉算法以及典型的机器学习算法与本文新方法进行精度对比与效益对比,可以发现,本文的模型方法可以实现满足精度要求的前提下,让因光伏预测不准确而造成的度电成本和容量成本大幅度降低,实现光伏电力系统的效益最大化。