随着各行各业的飞速发展,人类对电力的需求量也持续增长,能源短缺的问题日益显现。为了解决能源短缺问题,人们发掘出了众多清洁可再生的新能源,例如太阳能、地热能、核能、风能、海洋能和生物质能等,并把这些能源运用到各个工业领域之中。太阳能是一种取之不尽用之不竭的能源,对地球生态环境不会产生负面影响,目前在所有新能源中太阳能备受关注且应用越来越广泛。但是光伏发电存在着间歇性和波动性,光伏转换率低和可控性差等问题。对于大型光伏电站的本地用户而言,其消纳能力有限,多余的电能又无法进行大量储存,会造成能量损失。因此,对光伏发电量进行准确的预测具有重大意义。本文使用光伏发电预测常用的反向传播（BP）神经网络作为基底,BP神经网络具有并行性、非线性、容错性和自主学习等优点,但是BP神经网络也有一些缺点,例如BP神经网络会由于初始权值和阈值的取值不当而导致其陷入局部最优解。为了解决这个问题,本文对人工鱼群算法（AF）和鲸鱼算法（WOA）提出改进,改进后的算法命名为包围人工鱼群（SAF）算法和选择鲸鱼（SWOA）算法。为了选择寻优最好的算法与BP神经网络结合,本文将粒子群优化BP神经网络（PSO-BPNN）、人工鱼群优化BP神经网络（AF-BPNN）、包围人工鱼群优化BP神经网络（SAF-BPNN）、鲸鱼优化BP神经网络（WOA-BPNN）和选择鲸鱼优化BP神经网络（SWOA-BPNN）这5种算法进行比较,通过比较仿真结果和实际值之间的均方误差、适应度收敛曲线和预测结果来判断算法的优劣,最后得出结论是SWOA-BPNN的效果更好,故本文选择使用SWOA-BPNN进行光伏发电量的预测。为了使算法能够应用于实际中,本文使用现场可编程门阵列（FPGA）实现BP神经网络的一次正向传播。将训练完成的BP神经网络的权值和阈值导出,使用FPGA根据导出的权值和阈值构建BP神经网络的一次正向传播,结果表明使用FPGA计算结果与MATLAB的结果相近,能够满足实际工程中的误差要求。