在“碳达峰”和“碳中和”的双碳目标牵引下,我国正加速提高太阳能在能源结构中的占比,进一步扩大光伏发电的装机规模。但由于太阳能受气象因素的影响具有随机波动性,给大规模光伏并网带来了巨大挑战。因此通过对光伏功率输出量的预测,可保证供电侧和负荷侧的功率平衡,进而提高电网的消纳能力及电能质量。目前,神经网络依旧是最为常见的一种光伏功率预测方法,且针对树突状神经网络也提出了多种预测模型及研究方法,但由于模型本身学习算法的限制以及网络规模的扩大,该神经网络很难提供较好的预测效果。因此,本文利用优化算法解决树突状神经网络因自身学习算法而陷入局部极小值的问题,并且针对改进的预测模型设计了并行多子网络模型,进一步提高光伏预测模型的精度和效率。主要研究内容包括:（1）基于初始参数优化的树突状神经网络光伏功率预测模型树突状神经网络模型相较于传统的神经网络,其结构更加简单,收敛速度也更快。但由于树突状神经网络的权值和阈值是采用BP算法进行调整,而BP算法本身存在收敛速度慢、容易陷入局部极小值等缺陷,会对预测效果产生很大影响。因此,本文设计了两种基于初始参数优化的光伏功率预测模型,先借助粒子群算法和遗传算法的良好全局寻优能力,对树突状神经网络的初始权值和阈值进行优化,再结合BP算法进行局部寻优,得到最优的网络权值和阈值,进而提高神经网络模型的预测效果。（2）基于并行多子网络结构的光伏功率预测模型方法随着传感器和各种智能设备的不断增加,设备中获取的光伏数据也在成指数级的增长,这极大增加了单个神经网络预测模型的运算量,导致了网络模型运行效率低下、预测精度不佳。为此本文设计了一种并行结构的多子网络模型,采用模糊C均值聚类算法对数据集进行划分,有效地减少了各个子模型训练所需的数据量,再将各个子模型的输出进行综合得到最终的预测结果,进一步提高了光伏功率预测模型的精度以及运算效率,在实际光伏数据中取得的高精度预测结果验证了所设计模型的有效性和可行性。