太阳能资源丰富,随地可取,所以越来越多的大规模光伏发电站被建立,并以微电网的形式应用到电力系统中。但是受环境因素的影响,光伏微网出力表现出间断性、不稳定性和波动性,在并网时会对电力系统产生冲击,给电网规划、系统调试以及电力系统稳定运行带来诸多问题,所以对光伏微网出力进行预测研究具有重要的意义。本文基于光伏电站历史数据对光伏微网出力进行预测,主要工作如下:(1)受天气环境等各方面的影响,监测的传感器可能出现故障,或者数据在传输的过程中出现遗漏,从而导致部分数据的缺失。为了进一步从大量数据中获取使用价值,本文结合光伏数据的特征,提出了一种光伏微网系统缺失值填补的方法,即马尔可夫蒙特卡罗(MCMC)填补算法。并通过仿真实验证明了该方法的有效性。(2)由于光伏发电功率受天气影响,在不同的天气条件下,光伏发电功率相差甚远,因此文章对影响光伏系统发电功率的气象因素进行分析,并研究各个因素对光伏发电的影响及相互之间的耦合性,以及不同天气类型下光伏发电的不同规律性,在此基础上提出对天气类型进行广义分类,并用加权灰色关联分析法进行相似日的选取。接着对相同天气类型下影响光伏发电的因素进行主成分分析,在保留数据信息的基础上对数据进行了解耦和降维,提取特征数据,为光伏微网预测模型奠定数据基础。(3)提出最小二乘支持向量机(LS-SVM)光伏微网预测方法,并用进化粒子群算法(EPSO)对LS-SVM进行参数优化。从预测结果可以看出,相比传统预测模型,EPSO-LSSVM预测模型在不同的天气条件下都表现出更高的预测精度,以及更强的适应性,对微网光伏系统并网有较高的应用价值。最后,基于dSPACE半实物平台对本文提出的预测方法进行实验验证,证明了该方法的有效性。