随着传统燃料的日渐消耗与能源需求量的不断提升,可再生能源逐渐受到关注。由于太阳能具有绿色、安全、可再生等特点,近年来,太阳能光伏发电已经在我国得到了飞速发展。但光伏电池具有生产成本高、光电转换效率低的缺点,因此如何使光伏电池持续有效地输出最大功率以提高发电效率和降低发电成本则成为了当下研究的重点。针对该问题,本文利用神经网络的非线性拟合能力以及遗传算法突出的寻优特点,提出了遗传算法优化的RBF神经网络对光伏发电系统最大功率点进行预测控制。首先,本文对光伏发电的研究背景及国内外研究现状进行了综述,介绍了目前光伏发电MPPT技术的判断标准及不足。详细说明了光伏电池的工作原理,通过MATLAB搭建光伏电池模型获得了U-I及P-V动态变化曲线,并在此基础上得出光照强度和温度为影响最大功率点输出的主要因素。接着,阐述了光伏发电最大功率点跟踪的原理,分析了传统跟踪方法及其改进方法的优缺点。针对传统方法的不足,介绍了基于现代控制理论的神经网络控制法,通过RBF神经网络函数逼近能力的分析,选择其对光伏发电最大功率点进行预测控制。然后,对于RBF神经网络中存在的不足,本文使用了遗传算法对其数据中心、扩展常数及权值进行优化。通过将RBF神经网络的数据中心和其对应的扩展常数以及权值统一编码,加强了隐含层和输出层的合作关系,并利用遗传算法全局搜索的功能特性,使得整个网络模型达到全局最优。此外,对遗传算法本身的机制作出相应的改进,使遗传操作更加完善。最后,将遗传算法优化后的RBF神经网络与优化前的网络对同一光伏发电系统最大功率点进行预测,结果显示优化后的RBF神经网络达到目标误差的训练次数较优化前明显减少,平均误差降低了3.7%,结果证明遗传算法优化后的RBF神经网络不仅提高了预测速度,还提高了预测精确度,从而能更好地实现光伏发电最大功率点跟踪控制。