在传统化石能源日渐短缺和环境保护要求日益提高的双重压力下，可再生清洁能源发电在电力行业中所占的比重越来越高，其中太阳能发电已成为一种重要的发电形式。随着光伏装机容量的不断扩大，光伏发电输出功率的精确预测有助于电力调度部门统筹安排调度计划，对保障电网安全、降低电网运营成本有着重要意义。针对光伏电站输出功率预测精度不高的问题，提出用小波理论和极限学习机预测太阳辐照度，再将预测得到的太阳辐照度作为输入，使用基于相似日和广义回归神经网络的方法对输出功率进行预测研究。通过分析影响光伏发电输出功率的各个输入因素，选取太阳辐照度作为主要因素。为了精确地预测光伏输出功率，先对太阳辐照度进行预测。建立了基于小波分解和极限学习机算法的太阳辐照度预测模型。对太阳辐照度的历史时间序列进行三层小波分解，分解出太阳辐照度时间序列中的高频分量和低频分量，并运用极限学习机算法分别对各分量进行预测，把各预测结果通过小波重构得到最终的太阳辐照度预测值。在得到太阳辐照度预测值的基础上，预测光伏输出功率值。选取太阳辐照度和温度、湿度的关键部分作为特征向量并进行合理的预处理，根据文中给出的改进相似日算法选取与预测日具有高相似性的训练样本集，建立了基于改进相似日算法和广义回归神经网络的光伏电站功率预测模型。使用已选取的相似日样本集训练神经网络，预测次日7:00~19:00之间分辨率为15min的功率值。以甘肃省某并网型光伏电站的实测数据为例，用MATLAB仿真软件对光伏电站的太阳辐照度和输出功率进行预测仿真分析。同物理原理预测法和传统神经网络预测法比较，基于小波分解和极限学习机的太阳辐照度预测、基于改进相似日算法和广义回归神经网络的输出功率预测方法提高了预测精度，该预测方法是可行的。