我国的太阳能资源丰富,从长远来看,太阳能发电在未来具备成为战略能源的资源、技术、成本和环境优势。但太阳能资源本质上是一种随机不可控的电源,大规模太阳能电站的并网接入对电力网络的安全稳定运行带来挑战。开展光伏功率预测方法的研究,有助于合理安排电力生产调度、降低系统的旋转备用容量、保证电网可靠运行和提高光伏电站并网接入水平。了解光伏电站的输出特性,是展开光伏电站功率预报研究的基础。光伏电站的出力受到太阳辐射、温度、湿度、风速等气象因素的影响,表现出明显的趋势性和非平稳性,给人工神经网络模型(Artificial Neural Network,ANN)的收敛和泛化增加难度,影响模型的预测精度。本文从BP (Back Propagation)神经网络理论出发进行光伏功率预测研究,基于光伏电站实测运行数据和历史数值天气预报数据构建训练集和验证集,开发了两个以ANN为核心的预测模型。首先针对光伏电站出力的趋势性,引入理论太阳辐照度进行模型目标输出的去趋势化处理,建立了以理论太阳辐照度、预测温度、预报湿度、预报风速为输入的ANN模型。然后,利用小波分解(Wavelet Decomposition,WD)在处理非平稳信号方面的优势,将模型的输入通过小波分解为逼近信号和细节信号并分别建模,建立了优化的WD+ANN模型。实际算例分析表明,ANN和WD+ANN模型均具有良好的预测效果,而WD+ANN具有更高的预测精度和更快的收敛速度。本文的研究以大量的实际数据为基础,具有良好的推广性,希望能给同领域的研究者提供参考。