太阳能作为新兴的可再生能源,具有充分的清洁性、安全性,相对的广泛性、长期的免维护性、资源的充足性及潜在的经济性等优点。发展太阳能发电是解决不可再生能源过度开采、传统化石燃料燃烧造成环境严重污染等当今能源问题的有效途径,是促进现代经济社会可持续发展的方式方法,更是创建能源集约国家、坚持并实施国家新能源战略的重要举措之一。然而太阳能又是一种分散性强、波动性大的间歇式能源,其发电过程的关联因素众多,且光伏发电并网会对电网电源规划的合理性及系统运行控制的稳定性产生一定程度的影响。因此研究太阳能发电随机过程,构建光伏发电过程动态模型,计算太阳辐射强度和光伏电站出力具有重要的实际意义。本文首先概括并梳理了国内外光伏发电随机过程的相关研究成果,包括光伏发电随机过程的整体研究动态,太阳辐射强度预测模型和光伏出力预测模型的研究动态,以及改进神经网络在光伏发电模型中的应用。其次,归纳太阳能光资源及光伏发电系统特性,研究并总结光伏发电过程内部及外部的关联因素,综合比较多种改进神经网络模型的优劣势,选择优势算法。随后,考虑太阳光资源随机性、间歇性等特点,建立双重随机过程的隐马尔可夫模型预测太阳辐射强度,将云量形态看作模型隐含层,晴空遮蔽系数看作模型观测层,研究关系函数,确定双重随机变量,计算太阳辐射值。然后,以太阳辐射值输入量之一,构建多维度小波神经网络模型,利用小波分解将输入信号按尺度细化,以小波函数替换神经网络传输过程隐含层函数,进行相应伸缩平移变换,使小波分析与神经网络纵向结合、横向融合,优势互补,预测光伏输出功率。最后,从数据采样、信息管理、设备运行等方面针对提高光伏出力模型预测效果提出相关管理建议。本文仿真光伏发电过程,根据历史数据进行算例分析,预测不同程度云层遮蔽的太阳辐射强度和多种季度气候环境影响下光伏发电输出功率,模型在不同天气条件下适应性较强,模拟预测结果精度较高,可为负荷预测提供数据支持,为电网调度、电力规划提供参考。