随着世界工业化的高速发展,太阳能作为一种有效清洁能源在电力生产方面的比重也越来越大。但光伏系统的发电功率受天气、云层、积灰等多方面的影响,具有间歇性与波动性,在接入电网时会对电网造成冲击,同时对电力部门的调度也会带来一定的难度。鉴于上述考虑,本文提出了一种基于数据挖掘的光伏功率超短期预测模型,对光伏电站的输出功率实现有效的超短期预测,从而在光伏并网时以保障电网平稳运行。光伏电站的出力与复杂多变的天气状况、云层变化具有较强的非线性相关性,在建立超短期预测模型时需要考虑气象因素的影响,但是现今的技术无法获得精确的、分钟级的气象数据,对于预测区间为未来4小时的光伏超短期预测有所限制。而光伏电站大量的历史功率数据受到外界气象因素的影响,其数据本身就隐含了大量的信息。基于此,本文选择采用ReliefF算法对功率历史数据进行挖掘,提取出各气象标签在功率输出中的影响权重系数,以提取出来的各特征属性作为分类依据,利用K-Means聚类进行分类,验证所挖掘的特征量表征气象因素对光伏功率输出的影响程度。同时,针对光伏电站功率数据波动性大、不规律性较强的特点,对历史数据采用小波分解的方式进行预处理,将非平稳的功率数据时间序列分解为一个低频分量和多个高频分量等多个子序列,针对不同特性的子序列采用不同的预测模型,构成并行组合预测模型,其中低频子序列采用Elman预测模型,高频子序列采用长短期记忆(LSTM)预测模型,并选择提取出的权重系数较高的气象因素特征量作为子预测模型的附加输入,最后将各子预测模型的预测值通过小波重构,得到最终的预测结果。本文依托于湖南竺家光伏电站的实测功率数据,采用数据挖掘的方法对各气象因素进行特征提取,仿真结果表明ReliefF算法能较准确的提取出光伏功率数据中隐含的气象因素信息,从而有效提高超短期预测模型的精度。通过对光伏电站的实测历史功率数据进行预测验证,将经过小波分解预处理的并行组合预测模型与多个单个预测模型相比较,并引入评价指标对预测结果进行评估,结果表明,本文提出的并行组合预测模型各项评估指标相较传统单一的预测模型精确度更高,对在复杂天气情况下的超短期预测具有良好的预测效果。