随着光伏发电对电力结构影响的不断增加,光伏发电预测误差的大小将直接影响光伏并网后电网运行的运营策略和经济性。短期光伏发电预测精度的提高对光伏发电系统并入现有电网以及太阳能的利用开发起关键作用。本文从新能源应用的角度出发,对国内外光伏系统短期发电功率的预测方法进行了探讨和研究。光伏系统短期发电功率预测方法可分为两大类:基于太阳辐射和光伏系统物理模型的短期发电功率预测方法和基于大数据(气象、太阳辐射、输出功率历史数据)驱动的短期发电功率预测方法。对太阳辐射预测方法、基于太阳辐射和光伏系统物理模型和基于大数据驱动的短期发电功率预测方法进行了研究与分析,并且分类总结这些方法的发展趋势、优缺点、适用范围、预测精度等。选用实例预测分析灰色理论预测法以及双隐含层BP神经网络预测法的预测结果。灰色理论预测模型无需大量的数据输入,但是它的局限性在于预测准确度不稳定且随预测日前几日天气类型的相似性起伏大,而BP神经网络以其自身的特点,在非线性系统的预测中发挥作用,得到比较理想的预测结果。然后根据光伏系统输出功率易受到气象状况、地理环境等多种因素的影响而产生高度的随机性与大幅值的波动的情况,在光伏发电站数据实例的基础上,分析了影响光伏系统发电功率的因素,着重分析了环境因素—光照幅值,季节,天气,温度等影响因子,并将上述环境因素对光伏出力的影响作用结合数据进行了验证。结合光伏电站数据实例,对光伏发电功率的预测进行了建模仿真,并对预测结果精度进行了对比分析。通过虚拟化对季节,天气,材料等非量化因素处理成量化因素,以历史数据作为驱动,结合多元线性回归方法和SPSS软件提出了一种基于复杂环境因素的光伏发电系统短期发电功率混合预测模型来实现日总光伏系统发电功率的预测,此混合模型包括太阳辐射预测模型,光伏系统输出功率预测模型和光伏系统发电效率预测模型。这种混合模型的特点在于仅凭唯一定量的数据(温度)和其他非定量的变量一同纳入模型就能对光伏系统发电功率进行预测。实验结果表明,该混合预测模型可以达到较为可行的预测效果。输出功率模型预测的相对均方根误差为46%,太阳辐射预测模型的相对均方根误差为42.9%。多元线性回归模型在应付随机性与非线性极强的光伏输出功率预测方面效果不够理想。