太阳能作为一种清洁可再生能源,具有资源丰富、产业化基础好、经济优势明显、环境影响小等优点,受到了世界各国越来越多的关注。但由于太阳能分布不均,利用太阳能发电易受温度、湿度等气象因素的影响,使得太阳能发电输出功率波动性大,间歇性强。大规模太阳能发电系统并网会给大电网安全、稳定运行带来不可预估的影响。因此,对未来一段时间内太阳能光伏发电输出功率进行有效、准确的预测,方便电力调度部门合理安排传统发电和光伏发电的发电计划,可以有效地降低太阳能光伏发电系统并网时对大电网的冲击,保证供电系统的平稳运行。本文以提高太阳能光伏发电输出功率预测的准确性并开发实用的功率预测系统软件为目的,对太阳能光伏发电系统输出功率预测算法进行了研究,开发设计了基于JavaEE的SSM框架的光伏发电功率预测系统软件,并采用澳大利亚艾利斯斯普林斯太阳能知识产权中心35号光伏发电站的数据进行了工程应用实践。论文主要工作如下:(1)分析了光伏发电原理及影响光伏发电输出功率的相关性。对光伏发电技术的发电原理、数学模型、影响输出功率因素等进行了探讨,通过对温度、太阳辐照、相对湿度、风速、风向等历史气象数据和历史输出功率的相关性分析,确定了影响太阳能光伏发电输出功率的相关因素。(2)对光伏发电功率预测方法进行了研究。首先建立了基于BP神经网络算法的输出功率预测模型,针对BP神经网络在预测方面的不足,进行了优化和改进,建立了基于双并联过程神经网络算法的输出功率预测模型和基于动态领域粒子群优化BP神经网络算法的输出功率预测模型。通过实例仿真研究表明:两种基于改进BP神经网络的预测模型与原模型相比均具有较高的预测精度,其中基于动态领域粒子群优化BP神经网络的输出功率预测精度更高,可以满足工程应用要求。(3)开发了光伏发电功率预测系统。对系统进行了需求分析,明确系统的设计原则,确定了系统的组织架构和逻辑架构,设计了用户管理、实时监测、功率预测、统计报表、设备管理等功能模块。基于JavaEE的SSM框架实现了光伏发电功率预测系统软件,并成功发布到基于Linux系统的阿里云服务器上,通过运行测试,系统运行稳定,可以实现在浏览器上访问,达到了预期目的。