在世界工业和经济飞速发展的今天,环境日益恶化以及能源资源的日益枯竭,使得以风能发电和光伏发电为代表的新能源等清洁能源日益受到世界人民的普遍关注。相比于其他可再生能源,光伏发电具有非常突出的特点和优势。发电系统建立后,对位于偏远地区架设输电线路难等问题得到了有效的解决。然而,光伏发电由于自身固有的属性而具有一些缺点。光伏发电本身也具有间歇性,受辐照度等气象因素影响十分剧烈,本身随机性和不确定性很大,其并网影响整个电网的稳定。为了克服这个缺陷,减少光伏并网对电网的冲击,同时有利于电网的节能调度和经济运行,需要高精度的预测光伏输出功率,可见提高光伏功率预测这一课题具有十分重要的意义。目前国内外已有相当数量的研究人员对此进行研究,并取得了一定的成果,但是预测精度还没有达到特别完美的水平,有待进一步的研究。本文基于前人的研究成果,以及研究了光伏功率预测的基本理论以及影响因素分析的基础上,提出了基于经验模态分解算法和集成神经网络的光伏短期功率滚动预测模型。该模型首先要用聚类算法和判别算法,根据日特征指标选取相似日;其次将功率序列及影响因素序列用经验模态分解算法进行分解,并用排列熵算法进行重构,分别得到高频、低频和趋势项三个序列;再次,采用简单灵活,收敛速度快,优化效果好、应用广泛的粒子群算法对Elman神经网络进行优化。从而得到Elman神经网络的优化参数:连接反馈增益因子以及全部权值,以便进行预测。最后,针对高频、低频和趋势项用集成优化的Elman神经网络进行滚动预测,然后6将三者的预测值相加,即得到光伏功率的预测值。通过所提出模型的预测及其他模型的对比分析,得出本文所突出的模型非常适合于光伏功率预测,并对本文的数据预测有良好的预测效果。