伴随着社会的不断发展,用户对用电量的需要不断增加。太阳能属于清洁能源,也是可再生能源,所以它用作发电用途便获得了大量的关注。然而使用太阳能发电的弊端也暴露无遗,就像波动性和间歇性作为光伏发电出力的缺点,而且光伏电池存在着占地面积广、转化效率低等。如果将光伏发电并入主电网后,会对主电网造成强大的冲击,对维持电网运行的稳定性很不利。精确的光伏发电功率预测是有效减缓不利影响的重要前提,所以对于光伏发电系统的发电量预测研究就有了很重要的现实意义和应用价值。本文首先将光伏电池的基本结构与它的工作原理进行阐述,然后展示了光伏发电系统的组成和光伏发电系统的分类,通过所搭建的太阳能电池模型,对光伏系统发电功率的主要影响因素(太阳日照强度、环境温度、天气类型)进行了研究,为建立发电量预测模型做好理论支撑。进而建立了基于BP神经网络预测模型,并详细介绍了所建立的BP神经网络模型的拓扑结构、流程图、网络各层神经元数量选择及学习训练过程。但在BP神经网络进行预测的过程中,BP神经网络含有易陷入局部最优以及收敛时间较长的缺点,为了克服这些不足,本文通过PSO算法优化神经网络的阈值与权值,建立了PSO-BP神经网络预测模型。并对用于光伏发电量预测的数据进行预处理。最后以天气参数和光伏发电历史数据作为样本,在不同的天气类型下比较了BP神经网络预测模型与PSO-BP神经网络预测模型的预测效果。依据以上两种预测模型的预测结果进行仿真分析和误差评价,预测结果显示:两模型在晴天与多云天气下预测误差效果都在良好范围,证明了在一些典型天气类型下本文建立的BP神经网络模型和PSO-BP神经网络模型应用在光伏发电量短期预测的准确性和实用性。