在可再生能源突出的经济和环境效益的影响下,绿色能源已被大规模应用到电力生产中。光伏凭借其易于获得及清洁度高等优势成为了代替传统化石能源发电的绿色能源之一。然而,光伏发电在天气的影响下具有不确定性和随机性的特点,会对电力系统的供电稳定性造成威胁。因此,通过分析光伏功率的波动以及影响波动的因素来提升提高光伏功率预测精度可以帮助电力系统更好的进行光伏的消纳。首先,为了使预测模型可以更有针对性的学习,对光伏功率进行聚类划分,将一天内功率波动特征相似的天气划为同一类。基于以上分析,统计了光伏功率在每两个相邻点之间的波动情况,并采用四分位法对一天内的功率波动异常点进行统计,分为简单天气和复杂波动天气两种类型。其中,复杂波动天气功率的随机性强,而简单天气的功率变化平缓,单独进行预测可以提高预测算法对波动过程的追踪能力。其次,在多NWP特征与历史功率一同作为预测模型的输入时,过多的NWP输入到预测模型中,可能会导致冗余度过高,反而使预测精度下降。为了尽可能多的包含与光伏功率相关的信息,但又不预测模型增加负担,本文首次将平行因子特征提取的办法使用在NWP的特征提取上,从NWP输入变量、超短期预测时间范围和NWP特征三个维度来考虑NWP特征的相关性,进行特征提取,保证输入预测信息的完整性,避免重要信息的损失。并采用具有长期和短期记忆功能的LSTM网络作为光伏功率超短期点预测模型进行实例分析,进一步提升预测的准确率。最后,确定性的点预测只能给出某个时刻的预测功率值,无法量化预测偏差对调度计划的影响。为了进一步配合电力系统调度的正常运行,进行光伏集群区间预测可以更好地帮助电力系统调度的做出合理的决策。对不同光伏电站的空间和时间特性进行综合性考虑,采用更适合离散型数据聚类的K-Modes模型将时空特性相似的电站划分为一个子集群,以此来平滑子集群内不同光伏电站的预测误差。对聚类后的子集群采用LSTM进行点预测,并采用累加法得到总集群点预测结果。应用核密度估计方法对总集群点预测结果进行区间预测,来满足大规模光伏并网后电力系统安全和经济性的要求。