为了应对日益严重的环境污染、气候变暖、能源枯竭等问题,光伏发电已成为一种重要的可再生清洁能源。然而,由于工作环境复杂多变,光伏电站的实际输出功率具有很强的波动性、间歇性和随机性,对电网调度和稳定性带来冲击与挑战。为了缓解这一问题,本文设计了一种基于NB-Io T的智能汇流箱,并研究了基于光伏电站输出功率与不同气象因素之间相关性分析和机器学习算法的短期功率预测算法。首先,开发了基于NB-Io T的智能汇流箱系统,以实时监测和采集光伏电站的电气及气象环境数据。基于STM32微处理器、UCOSIII嵌入式操作系统及NB-Io T通信模块,研发了用于实时采集光伏阵列电压、电流、温湿度、光照度、辐照度的软硬件系统,并且开发了配套的基于MQTT协议的EMQ消息服务器以及客户端应用程序以实现远程监测。其次,分析了光伏电站历史电气与气象数据间的相关性,以确定影响光伏发电的主要因素。采用皮尔逊相关系数分析法对光伏电站历史数据集中的水平面总辐射、扩散水平辐射、环境温度、相对湿度、风速风向和日均降雨量七个气象因子与光伏电站输出功率进行相关性分析,最终选择水平总辐射、扩散水平辐射、环境温度、相对湿度四个相关性较高的环境因素作为光伏电站功率预测模型的输入特征。然后,提出了两种光伏电站输出功率预测方法。提出了基于径向基神经网络和改进相似日法的功率预测方法。该方法使用决定系数法作为判断相似度指标以从历史数据集中选择相似日,进而选取相似日的数据集作为预测模型的训练集;将天气状况分为四种类型（晴天、阴雨、多云和部分晴天）,使用径向基神经网络建立每种天气类型的预测模型。为提高算法的泛用性能并解决上述模型受制于气象类型的问题,进一步提出了基于新型混合机器学习算法的功率预测模型。该模型包括基于卷积计算的自动特征提取,K均值聚类,小波变换算法和极限学习机;根据历史输出功率时间序列波形的类型,判定是否引入小波变换特征分解预处理,将极限学习机模型应用于多元气象因素与历史功率数据的非线性关系。最后,采用MATLAB/GUIDE工具开发了将功率预测功能和数据查询相结合的上位机软件平台。实验测试结果表明,所设计的监测系统能够可靠运行,且所提出的功率预测算法在不同环境工况下都具有较高的准确性和泛化性能。因此,本文工作对光伏电站实时监测与功率预测技术领域的发展,具有一定的参考意义。