Los armónicos de las plantas de energía fotovoltaica se ven afectados por varios factores, incluyendo la temperatura, el clima y la amplitud de la luz. Los métodos tradicionales de predicción de armónicos de potencia tienen un mapeo no lineal débil y una capacidad de generalización pobre para datos de series temporales desconocidos. En este documento, se propone un método de predicción de armónicos de potencia del modelo Kernel Extreme Learning Machine (KELM) basado en Análisis de Relación de Gray (GRA) con Descomposición Modal Variacional (VMD) acoplado con Optimización de Harris Hawk (HHO). Primero, se utiliza el método GRA para construir el conjunto de días similares en una selección, seguido de un uso adicional de agrupamiento de -means para construir el conjunto final de días similares. Luego, se adopta el método VMD para descomponer los datos armónicos del conjunto de días similares, y cada subsecuencia de descomposición se introduce en la red neuronal KELM optimizada por HHO para la predicción, respectivamente. Finalmente, los resultados de predicción de cada subserie se superponen y se introducen índices de evaluación numérica, y el método propuesto se valida aplicando el método anterior en simulación. Los resultados muestran que el error del modelo de predicción se reduce al menos en un 39% en comparación con el método de predicción convencional, por lo que puede satisfacer la función de predicción de contenido armónico de una planta de energía fotovoltaica.