近年来,随着能源动力的发展,太阳能作为清洁高效的能源,在能源开发和利用中发挥了重要作用。然而,光伏能源的利用受光照强度、大气压力等天气条件的影响,导致其波动性较大,如果不能精确的预测光伏输出功率,将无法为电网提供可靠的调控和规划依据,严重威胁到电力系统安全性。鉴于以上考虑,本文针对如何提高光伏功率预测精度做了仔细研究。现今的大多光伏功率预测方法采用的是单一算法的预测模型,单一预测模型在天气条件变化比较稳定的情况下能表现出优越的预测性能。然而一年四季中天气类型是复杂多变的,并且光伏输出功率和天气状况具有较强的非线性相关性,导致单一预测模型在天气多变的时候不能发挥自身优越的性能。若要精确的预测复杂多变的天气条件下的光伏输出功率,需对各种单一的预测模型各取所长,按照一定规则组合成为一种新的算法模型。基于此,本文分别从短期预测和中长期两个方面对模型进行了融合。主要的创新工作在于,在数据处理阶段引入小波分解将原始功率数据分成了高频序列和低频序列,提升了模型对数据的适应能力和预测精度;利用遗传算法对传统stacking融合模型进行了改进,找到了元学习器的最优参数,进一步提高了融合模型的预测精度;提出了一种基于SSA-RF的PR值预测模型,间接提高了对中长期发电量的预测精度。本文以澳大利亚某一光伏电厂功率和气象数据为依托,通过案例分析表明,本文提出的基于stacking模型融合的光伏功率短期预测模型比单一预测模型的精度更高,具备更好的鲁棒性和泛化性能。在中长期预测案例分析结果显示,本文所提PR-LSTM预测模型能够表现出良好的发电量预测效果。