光伏发电作为一种具有广阔应用前景的清洁能源应用形式,提高光伏发电的渗透率是未来长期的非化石能源的发展目标。光伏发电易受到外界因素的影响,其输出功率具有波动性,间歇性和周期性。因此当光伏发电透率率不断提高时,将对电能质量产生严重影响。通过提高对光伏输出功率进行预测的准确度,能够有效的减轻光伏并网对电网产生的冲击,实现光伏友好并网,减少“弃光”现象。进而达到充分利用太阳能,降低化石能源的使用,实现能源结构转型的目的。本文围绕着光伏输出功率预测展开研究。通过对光伏输出功率预测的研究背景和研究现状进行梳理,讨论了光伏发电输出功率预测研究中存在的不足和问题。针对这些问题,本文做了以下工作。为了提高光伏输出功率的预测精度,对光伏数据进行处理分析。首先对原始光伏历史数据中的异常数据进行预处理,并提出相应的修正措施。然后进行了通过PVsyst软件,对不同条件下的太阳能电池的输出性能进行仿真模拟。并结合实例,确定各个因素对光伏输出功率的影响程度。在阐述了偏差比的概念后,通过实例,确定了四种广义天气类型的平均偏差比。然后通过实例,对构成神经网络训练的相似日样本与灰色系统建模的相邻日样本进行分析。为了确定光伏输出功率预测的最优模型,本文首先比较了BP神经网络与RBF神经网络的预测性能,结果表明BP神经网络的预测性能优于RBF神经网络。在此基础上,针对相似日样本难以反映光伏输出功率随时间的变化,提出一种基于灰色系统校正的BP神经网络预测模型,即以平均偏差比进行平滑处理后的相邻日功率建立离散灰色系统模型(gray model, GM),进行日总功率预测并获得及其判断区间。最后以日总功率值的合理区间为标准对累加功率值进行校正,得到校正后的各时段的预测值。算例结果验证了所提校正方法的有效性。最后介绍了光伏监控系统中光伏输出功率预测模块的编程实现。