光伏发电呈现出时变性、波动性和随机性,对光伏发电的稳定性带来不利影响。当光伏电站大规模接入电网后,由于其波动性给电网的整体稳定运行带来了巨大挑战,降低了电网运行的可靠性,增加了维护电网波动所带来的的运行和管理成本。因此,光伏发电功率的准确且合理的预测对电网的安全调度、维护电网的稳定运行和提高光伏电站利用率具有重要意义。目前传统的机器学习对光伏发电预测大多都是通过直接预测的方式,本文本着提升精度的思想,首先通过结合光伏的特征融合选取和模型参数组合选取的方式设计了一种基于改进Xgboost算法的光伏发电功率的预测模型。考虑到这种方式的缺陷在于对极端天气的适用度较差,提出了一种基于天气类型的高斯混合聚类相似日筛选模型。最后,针对单个模型提升精度有限的问题设计了基于Stacking模型融合的算法。主要研究内容包括:(1)基于改进的Xgboost的超短期光伏预测算法。目前传统的机器学习对光伏发电预测大多都是通过直接预测的方式,无法对特征进行有效的筛选。本文设计一种改进的Xgboost的超短期预测算法,通过一种特征融合的方式去有效的筛选模型和参数组合的方式去有效提高Xgboost对光伏发电功率的预测精度。(2)基于高斯混合聚类算法的相似日筛选模型。为了解决光伏发电在一些极端天气(阴天、雨天等)下的光伏预测精度低的问题,在不同天气情况下基于高斯混合聚类算法设计了相似日的筛选模型。与传统的筛选方式筛选出的样本在同一模型下进行对比分析,发现该方式筛选出的样本有利于模型在极端天气情况下的拟合。(3)基于Stacking模型融合下的光伏发电功率预测算法。针对单一的预测模型预测精度提升有限的问题,引入了集成学习的思想和方法,提出一种基于Stacking方法来结合支持向量机、BP神经网络、线性回归、决策树、xgboost等模型的短期预测方式,通过与单一模型Xgboost、BP神经网络相对比,精度有了明显的提升,通过与光伏发电的实际功率对比,具有很好的吻合性,在实际应用中具有很高的工程推广价值。