当今社会,常规能源严重缺乏,人类生存所需的自然生态环境逐渐恶化。太阳能作为一种新能源,以其资源的丰富性、清洁性、不受地域限制性等独特的优点走进了人们的日常生活。到目前为止,在光伏发电中,并网型光伏发电已经占据75%的份额。光伏发电不但易受到太阳能间歇性和不确定性的影响,而且存在转化率低、占地面积大等缺点,并入大电网后也会对电能质量造成恶劣的影响。因此,对光伏发电量做出预测可以减少对电网的负面影响。本文以提高光伏电站发电量预测精度为目的,首先,阐述课题的研究背景、意义及光伏电站发电量预测的国内外研究现状。并对光伏电站的发电原理及组成进行简单介绍,分析输出功率的特性。同时对影响光伏发电量预测的典型因素进行详细的分析,包括季节、日类型、温度和光照强度、相对湿度五大因素。采用Pearson相似度分析方法对影响因素的影响效果进行分析。其次,分析光伏电站发电量预测的数据处理,主要包括数据存储方式、数据类型和数据处理。再次,设计光伏电站发电量预测模型,给出光伏电站发电量预测的整体框图,对预测中所应用到的BP神经网络的拓扑结构、学习算法、隐含层节点数设计及存在的缺陷进行分析。针对所存在的缺陷,将动态变化的学习速率Ak与LM数值优化算法相结合,并引入遗传算法优化BP神将网络的权值和阀值。最后,采用光伏发电量数据对所设计的预测模型进行仿真分析,并对两种预测模型的精度进行比较,可发现后者的预测精度有所提高,GA-BP预测模型具有一定的应用价值。