太阳能是最有前途的可再生资源。然而,其所产生的电力具有间歇性的特点,需要对其进行预测才能使其得到合理利用。到目前为止,对太阳能的预测一直在太阳能发电中扮演着重要的角色,但这项技术仍需提升。本文利用不同的机器学习算法可以对发电量进行预测。在本文的研究中,使用随机森林和人工神经网络来预测太阳能发电系统的发电量。这两种算法都能有效地预测白天某一特定地点的太阳能发电量。对巴基斯坦拉合尔过去的太阳数据进行了算例分析。所用数据中的主要影响因素是温度和辐照度。使用MATLAB进行了光伏系统的实时仿真。为了准确起见,使用了三种不同的太阳能电池板,即塔塔太阳能电池板、泰利森太阳能电池板和泰能太阳能。为了训练和优化神经网络,测试了 Levenberg-Marquardt和反向传播模型。在实现了这两种方法并将它们的错误与预先定义的epoch数进行比较之后,得出结论:LM产生的训练和测试错误比BP少。因此,用LM做了最后的预测。随机森林算法是一种基于决策树的搜索算法。在清除数据后,根据天气状况将最终性能评估分为三种射频模型。RF模型1、RF模型2和RF模型3分别适用于晴天、阴天和雨雪天。应用于射频的性能评估参数为平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。但是,随机森林的计算强度较小,不需要GPU来完成训练。随机森林面积可以对选择树,产生特殊的解释,但产量较高。人工神经网络比一般的随机森林算法需要更多的训练时间。由于性能原因,神经网络算法可能会降低其功能的可解释性,使其不再具有意义。因此,软计算技术（即随机森林）用于预测一天的数据,而神经网络用于预测太阳能发电的长周期（即数月或数年）。在仔细执行和比较了研究太阳预测的结果后,知道了人工神经网络的运行时间是射频的7倍。