当前,光伏并网发电系统得到了快速发展,然而光伏发电功率由于会受到气象要素变化带来的影响,具有不连续性和不确定性,功率波动给电网正常运行带来了影响,因此准确的功率预报技术对于电力调度、电力负荷配合、常规能源发电规划和光伏发电规划具有重要的参考和指导意义。由于我国尚未建立完善的辐射预报体系,因此本文分别在无辐射预报和有辐射预报两种条件下,采用美国俄勒冈大学太阳监测实验室数据作为研究对象,利用PSO-BP和LS-SVM分别建立预测模型并进行了预测分析。本论文主要做了以下几个方面工作：1.在了解光伏电池特性的基础上,分析了季节、日类型、气象要素与光伏发电功率的关系,确定了光伏发电功率周期性和随机性波动的主要影响因素。2.研究了BP神经网络和粒子群优化算法,在无辐射预报条件下,分季节建立了三种典型日类型的PSO-BP预测模型。并利用建立的模型与常用的BP神经网络模型进行了预测效果比较。3.研究了统计学习理论和最小二乘优化支持向量机,并利用灰色关联度分析来确定预测日的相似日,增强了样本数据和预测数据间关联性。利用相似日样本数据训练LS-SVM预测模型,在有辐射预报条件下,将模型与BP神经网络模型分别进行了预测并比较了预测结果。4.对建立的光伏发电功率预测系统做了需求分析、流程分析和结构设计。并且利用前面的工作基础,实现了一个B/S光伏发电功率预测系统,为预报信息发布打下了基础。通过比较,本文建立的两种预测模型分别在两种条件下具有较好的预测效果。建立预测模型和预测系统将有助于提高光伏发电功率预测准确度,减少了功率波动对电网运行带来的影响,促进了光伏并网发电系统的发展。