化石能源枯竭与环境保护压力迫使人类开发利用新的清洁能源,光伏发电作为新型清洁能源的一种在近年来得到了广泛应用和快速发展。光伏发电功率具有随机波动性,准确预测光伏电站的输出功率,能帮助电力调度部门合理地进行运行方式安排和控制,为电力系统经济和可靠运行提供保障。本文首先介绍了光伏电池发电的原理、并网光伏发电系统的组成,进而对光伏功率预测以及影响光伏发电预测功率的主要因素等做了仔细分析;其次对人工神经网络中的BP神经网络进行了研究和分析,确定了基于BP神经网络的功率预测模型,包括隐含层数和输入输出节点数以及激励函数的选择。针对光伏电站输出功率历史数据可能存在局部空缺、超出范围和异常波动等状况,提出了一种数据检测并对检测出的异常数据进行修复的方法,提高了光伏电站功率预测的精度。在此基础上,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用了粒子群优化算法(PSO)和带扩展记忆粒子群优化算法(PSOEM)这两种群智能算法来优化BP神经网络的初始值和阈值。在介绍了 PSO和PSOEM的基本原理及实现步骤后,建立了 PSO-BP神经网络的光伏电站输出功率预测和PSOEM-BP神经网络的光伏电站输出功率预测模型。最后,根据青海省某光伏电站2月1日-6月30日的光伏发电历史数据,利用提出的三种模型对光伏发电系统进行了功率预测。误差对比结果表明,PSOEM-BP神经网络功率预测的精度明显高于PSO-BP神经网络功率预测的精度,采用PSOEM优化BP神经网络模型进行光伏功率预测具有一定的理论和实用价值。