由于太阳能PV/T系统受到环境因素的高度影响,在产出热能与电能时表现出明显的间歇性、随机性和波动性等特点,使得系统产出的电能可能在并网过程中对电网造成冲击,并且产出的热能有可能未及时得到使用,造成热能浪费。为了保障电网的安全运行和提高热能利用率,这就需要对太阳能PV/T系统的热电产出提前进行精确预测,以配合能源的调峰和分配,改善太阳能PV/T系统的运行性能。太阳能PV/T系统的热电产出涉及到多种环境因素影响,且热能与电能彼此互相影响,采用传统数值模拟对太阳能PV/T系统进行建模的过程复杂且模拟预测精度较低,人工神经网络在大量数据的前提下处理多维非线性函数关系时有着优秀的表现,本文从提高太阳能PV/T系统热电产出的预测精度出发,在对比多种人工神经网络的工作原理和应用领域后,选择BP和RBF两种神经网络对太阳能PV/T系统的发电功率、发电效率、蓄热水箱温度和热效率建立了预测模型,并使用云平台的实验数据采集系统提取了热管式太阳能PV/T集热系统实验台的20000余组包含各类天气工况下的数据,将数据集导入两种模型中进行训练和预测。预测结果显示,两种模型的预测值与真实值的拟合度R值均达到0.98以上,验证了人工神经网络在太阳能PV/T系统热电产出预测的高精确度,同时RBF神经网络模型在以上四种热电产出指标的预测精度表现上相较于BP神经网络模型平均高出25%～30%。尽管BP与RBF神经网络模型的预测表现出众,但都存在各自的缺点:BP神经网络容易陷入局部最小值、RBF依赖于隐含层函数中心点的选取等,这些缺点容易造成网络波动并影响预测结果。为了进一步提高两种模型的预测精度和网络稳定性,弥补模型的结构缺点,本文采用遗传算法和粒子群算法分别对BP和RBF网络模型进行优化。优化后的模型预测结果显示,BP与RBF神经网络的预测精度分别提高46%与20%,网络稳定性分别提高64%和30%。最后通过对比以上四种模型的预测结果,采用遗传算法优化的BP神经网络模型预测效果最优,该模型对太阳能PV/T系统电功率、电效率、蓄热水箱温度和热效率的预测平均相对误差分别为0.74%、0.97%、0.47%和0.32%,模型平均拟合度R值高达0.998,精准的预测了太阳能PV/T系统的热能与电能产出情况。