太阳能作为存储量最为巨大的清洁、可再生能源,一直以来备受人们关注,光伏发电作为太阳能应用的主要方式,其输出功率具有随机性强、波动性大、难以控制等特点。为了降低光伏发电系统输出功率并网后对电网的不确定性影响、提高系统可靠性、维护电力质量、增加光伏发电的渗透水平,对光伏发电系统输出功率进行预测,提高其预测精度具有重大意义。本文通过分析影响光伏发电系统输出功率的几大因素,结合光伏发电系统输出功率具有随机性、非平稳性,且受天气状况影响显著等特点,按天气类型将数据分为晴天、多云、阴天、雨天四类,对不同天气类型,分别建立预测模型。首先分别基于BP神经网络、灰色神经网络、支持向量机,对光伏发电系统输出功率进行预测,预测结果表明以上方法能初步对光伏发电系统输出功率进行预测,但是预测精度不高。这一方面是受光伏发电系统输出功率特性的影响,另一方面是因为上述方法的自身局限性,难以达到很好的预测效果。针对光伏发电系统功率序列的非线性和非平稳性,本文提出一种基于经验模式分解法和最小二乘支持向量机相结合的光伏发电系统功率预测方法。采用经验模态分解对原始光伏发电系统功率数据进行平稳化处理,将其分解成多个基本模式分量,对每一个基本模式分量,分别建立LSSVM预测模型,最终预测结果由各分量对应时刻的预测值求和得到。实验结果表明,该方法与其他算法相比,预测精度得到提高。考虑到局部均值分解法在迭代次数和端点效应方面要优于经验模式分解法,本文基于局部均值分解法与最小二乘支持向量机相结合对光伏发电系统功率进行预测。首先通过欧氏距离,选出待预测日的相似日数据,然后采用局部均值分解法对光伏发电系统功率序列进行分解,得到具有一定物理意义的PF(Product Function)分量;对每一个PF分量分别建立LSSVM预测模型,最终预测结果由各分量对应时刻的预测值求和得到。实验结果表明,LMD-LSSVM可以很好地预测多种天气状况下,光伏发电系统的功率输出值,且较EMD-LSSVM方法而言,预测精度更高,误差波动更小。