日益严重的能源危机和环境问题驱使人们寻求清洁的可再生能源。继风力发电之后,光伏发电已经成为可再生能源发电的新增长点。然而光伏电站输出功率会受到环境温度、湿度、太阳辐照度等众多因素的影响,存在较大的随机性。输出功率如果发生大幅波动,会对电网的稳定运行产生威胁,为了避免引发事故,有时甚至会发生光伏电站弃光的现象。充分利用光伏发电的同时,要想保证电网的安全稳定运行,方便调度部门及时合理地对电网的用户侧和负荷侧进行调节,需要对光伏电站输出功率进行准确预测。所以研究光伏电站的功率预测方法在理论研究和实际应用中都很有意义。首先,本文详细介绍了光伏发电的组成部分,分析可能影响光伏电站输出功率的各个因素。通过逐一定性分析,确定了辐照强度、相对湿度、温度和风速是影响光伏电站输出功率的主要影响因素。在光伏电站周围安装测量仪器,以15分钟一组的频次采集温度、辐照度、湿度、风速等数据。针对光伏发电影响因素较多且存在耦合、随机性时变性强、理论建模困难的特点,本文采用神经网络深度学习算法进行数据建模。将温度等测量数据进行基本的数据处理之后,用BP神经网络学习算法建立了具有四个输入因素的输出功率预测模型。接着,本文依次去掉以上四个因素中的一个,分别建立三因素预测模型,对比得出各因素对输出功率预测的影响程度。最后,本文通过对比背板温度和环境温度数据训练出的输出功率预测模型,发现利用背板温度数据建立的模型可以更加准确地预测输出功率。