光伏作为一种清洁可再生能源，虽然近几年得到许多国家的大力发展，但其发电随机性会对电网造成不能忽视的影响，在一定程度上制约它的发展规模。国内外的众多学者提出了一些解决其发电功率随机性的方法，功率预测是最直接有效的方法。本文就光伏电站短期功率的预测方法展开研究。　　在分析了人工神经网络的理论基础上，本论文将拟牛顿法BP神经网络应用于光伏电站短期功率预测，并建立了四季子模型。与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的两种预测模型进行对比研究，结果表明所提方法，在收敛速度和预测精度上，都更具有优势。但采用拟牛顿法BP神经网络建立的预测模型，在辐照强度较低时的预测精度相对较低，且对拐点的拟合效果欠佳。为此，本文提出了基于拟牛顿法小波神经网络的光伏电站短期功率的预测方法，与上述采用BP神经网络建立的预测模型对比，表明了所提出的基于拟牛顿法小波神经网络预测模型有更高的预测精度，，特别在一天中的早晚时刻，雨雪天气和功率波动的拐点，该模型具有更高的拟合效果。　　最后，对于能够提供较完整气象数据的光伏发电系统，考虑从预测模型结构上进一步提预测模型的精度，本文将聚类分析中相似性理论与光伏电站短期功率预测相结合，建立基于相关系数法选取相似日的光伏电站短期功率预测模型。通过与基于欧式距离选取相似日的预测模型对比，结果表明前者具有更高的预测精度;同时与未进行聚类分析的预测模型对比，结果表明采用相似性理论选取相似日建立的光伏电站短期功率预测模型的精度更高。