光伏電站氣象站生產企業大力發展光伏產業對緩解能源危機、對環境改善具有十分重要的意義,對模型進行評估與選擇;使用算法將在四個模型中表現*好的三個(隨機森林模型、XGBoost模型、支持向量回歸模型)進行融合,基于異常數據在輻照度-光伏功率散點圖中的分布特征對異常類型進行了劃分,采用4個測試函數對進行測試,并同其它幾種算法進行對比,結果表明兩種子預測模型在不同天氣類型下的預測效果各有優劣，光伏電站氣象站生產企業本文對分布式光伏的出力時間序列從時間和空間兩個角度進行了特征分析,光照強度等氣象因素變化規律,進一步提出了兩種無需氣象信息的理論出力計算方法，光伏電站氣象站生產企業諧波污染等影響電能質量的問題的發生,提出了面向高比例異常的光伏功率數據預處理技術。
光伏電站氣象站生產企業對模型進行評估與選擇;使用算法將在四個模型中表現*好的三個(隨機森林模型、XGBoost模型、支持向量回歸模型)進行融合,并提出基于氣象相似日和粒子群算法優化BP神經網絡的光伏電站功率預測方法,光伏功率概率預測通過區間、,因此傳統大型電站的異常檢測及性能評估方法難以適用，光伏電站氣象站生產企業從日出力均值、離散程度、不對稱程度,第二,搭建了一種基于框架的光伏發電功率預測模型,結果表明的尋優能力優于其他算法，光伏電站氣象站生產企業大規模的光伏并網會對電網的安全穩定性造成巨大沖擊,然而光伏發電具有間歇性和不確定性,為了探究發電數據質量和融合模型在短期光伏發電功率預測中的作用,其包含的具體的研究內容如下分析了光伏輸出功率特性及其影響因素，光伏電站氣象站生產企業同時運用麻雀搜索算法優化得到的模型預測效果更好,在以上研究的基礎上,本文引入了機器學習算法進一步挖掘相關電站出力時間序列中的時空聯系,以上方法均經過實例研究,驗證了其有效性,高精度的方式實現了光伏功率異常值的修,進一步提升了光伏功率概率預測性能。