为实现“双碳目标”（2030年碳达峰,2060年碳中和的目标）,建设高效安全能源体系,大力发展可再生能源,推动能源清洁化转型是一种有效措施。太阳能作为一种典型的可再生能源,具有较高的研究价值,但光伏发电受气候、外界环境影响较大,其出力具有高度随机的特点。随着光伏在电网所占比重越来越大,为了更好地将光伏发电接入大电网中,减小其对电网的冲击,提高电网安全准确的调度和电能质量,准确的预测光伏发电出力非常重要。阐述了光伏发电系统的基本原理和系统组成,包括光伏电池板的光电效应、光伏逆变器的电能转换、蓄电池的充放电过程、负载的分类。利用现有光伏电站2017年历史数据,重点分析了辐射强度、温度、湿度和风速四个关键天气因素对光伏发电系统输出功率的影响,为后续光伏功率预测奠定基础。从提高光伏功率预测精度的角度出发,对现有预测方法优缺点进行评估对比,提出一种基于集成学习的神经网络预测模型用于光伏功率预测,并建立了MAE（Mean Absolute Error平均绝对误差）、RMSE（Root Mean Square Error,方均根差）、~2（决定系数）三种评估指标用于对预测结果准确度进行评价。选择ANN（Artificial Neural Networks,人工神经网络）,DNN（Deep Neural Networks,深度神经网络）,CNN（Convolutional Neural Network,卷积神经网络）分别作为Bagging方法的基学习器构建预测模型。克服了单一预测方法的局限性,提高了光伏发电的预测精度。通过某太阳能设计研究院的光伏电站所收集的数据进行建模,随机森林填充缺失值,XGBOOST方法计算特征重要性并可视化,然后分别搭建模型,ANN搭建3层神经网络模型,DNN搭建8层神经网络模型,CNN搭建卷积神经网络模型,采用全连接方式连接神经网络相邻层,dropout防止过拟合,网格搜索法选取epoch、batch＿size等最优超参数组合,并绘制了相应的神经网络图。结合模型评估指标MAE,RMSE与R~2,集成模型与单一模型的对比分析表明:神经网络集成学习的回归预测效果优于深度学习单一模型,显著降低了预测误差,提高了光伏发电功率的预测精度。