随着光伏发电在全局发电量的占比不断增加，光伏发电预测的精确度将直接影响光伏发电并网的策略和经济性。但由于光伏发电功率具有波动性和间歇性，常规的预测方式往往与实际结果出入较大，且光伏电池存在着占地面积广、转化效率低等缺点。此外如果未加处理就将光伏发电并入主电网，很容易对主电网造成强大的冲击，对电网的稳定运行极为不利。因此能够精确的对光伏发电功率进行预测是减少对电网不利影响的重要前提。若无法较为准确的对发电功率进行预测，不仅会造成弃光降低发电收益，还会为并网带来难题，影响电网的整体稳定性。
　　本文从新能源与传统能源的对比出发，分析了光伏发电的原理和目前常用的功率预测方法。考虑到人工智能算法对非线性映射拟合的良好效果，采用了粒子群优化的BP神经网络(即PSO-BP算法)作为预测算法。针对光伏发电具有波动性和随机性的特点，对传统的PSO-BP算法进行了改进，并根据具体的算例对粒子群算法部分的迭代公式进行了调整并调参。在原始数据处理方面，使用了美国俄勒冈大学的自建光伏电站的数据作为原始样本数据并对数据进行了甄选和归一化处理以降低因原始数据缺陷导致的误差。算法网络构建方面，采用了使用相似日作为预测基准的方法，通过计算欧氏距离来寻找相似日。使用Kolmogorov定理和try-error-try的方式确定了网络隐含层的节点数和层数并使用了随机交叉分组的方式进行分组建模，选择误差最小的一组作为最终预测模型。
　　本文建立了使用PSO-BP算法对光伏发电功率预测的算法模型，并分别使用传统BP神经网络和PSO-BP算法对进行了仿真验证。仿真结果显示，PSO-BP算法整体拟合相对误差为5％，优于传统BP神经网络的9％，并且能够迅速获得拟合区间，实现快速迭代求解。仿真结果证明了PSO-BP算法应用于光伏发电功率预测的可行性。完成仿真后对预测结果进行了误差分析，针对日落前时间节点产生较大误差的原因进行了探讨和分析，并根据分析结果提出了两种算法模型改进的研究方向。