随着能源结构的不断调整,绿色清洁能源获得大力发展,光伏发电具有的环保、可再生等优点受到了世界各国的青睐。目前,光伏发电在各类电源中所占比重稳步提升。由于光伏出力相关影响因子很多,输出特性呈现周期性、波动性和随机性,与此同时,光伏电站的大面积并网必定使电力系统的稳定性受到威胁。因此,研究光伏电站功率预测技术对整个电力系统的安全稳定运行有着重大意义。本人通过认真阅读国内外文献,所研究内容将从以下几个方面展开。第一步,深入分析了光伏输出功率与天气影响因子的关联性,其中,气象影响因素主要涵盖辐照度,温度,湿度,天气类型以及季节等。其次,在此基础上阐述了BP神经网络和小波神经网络的相关理论,分别完成了对BP神经网络和小波神经网络预测模型的设计,通过比较详细说明了小波神经网络在光伏功率预测方面的优势所在,接下来又提出了根据气象因素寻找相似日的办法,并基于光伏电站历史气象信息建立特征向量,通过计算灰色关联度的方式确定预测日的相似日样本集。最后,建立了基于相似日算法和小波神经网络的光伏电站短期功率预测模型,利用青海省格尔木某光伏电站的历史发电数据,对所选的晴天、多云和阴天这三类不同气象条件下8:00~19:00光伏整点出力数据进行预测,预测结果说明基于相似日的小波神经网络模型的精确度要明显高于BP神经网络和传统小波神经网络的模型,特别是在多云、阴天气候状态下的预测功率值更加精确,在对误差指标进行评估分析上,本文选择两种不同的方式,分别是MAPE和RMSE。结论有力的说明了基于相似日和小波神经网络在光伏电站短期出力预测方面具有着不可比拟的优势和较强的实用性。