随着世界各国对于能源需求的不断提高,各国正迫切寻找新的代替能源,光伏发电由于可再生、无污染、应用多样、规模容量无限等优点近年得到迅速发展,成为开发利用太阳能的重要途径。但是,由于光伏发电功率具有很强的间歇性和随机波动性等特点,会对电网安全稳定运行造成一定影响,因此,精准对光伏发电功率进行预测具有十分重大的意义。就目前而言,BP神经网络对输出功率预测应用较为广泛,但存在着收敛性差和易陷入局部极小值等问题,针对此问题,本文致力于优化BP神经网络以达到更好的预测效果。主要研究内容如下:（1）对光伏电池发电的基本原理和构成进行介绍,然后对光伏发电系统的输出功率和输出特性进行分析,选取了太阳辐射度、环境温度、相对湿度以及压强作为特征变量进行分析,通过K-Means聚类将现有天气类型分为晴天、多云、雨天三种,同时也将不同季节类型作为光伏发电功率的主要影响因素,为后文神经网络预测模型的搭建提供依据。（2）对光伏电站历史数据进行数据预处理,对异常数据进行监测、数据校正和标准化处理。通过灰色关联度和回归R~2值进行对比分析,选取了辐照度、湿度、温度作为影响光伏发电功率的主要气象特征进行建模,并对历史数据集前80%划分为训练集,后20%划分为测试集,用于下文的模型搭建和预测。（3）对BP神经网络（Back Propagation Neural Network,BPNN）的结构和原理进行阐述、总结和说明,在使用BP模型进行预测的过程中,发现BP神经网络存在着迭代次数过多、收敛速度缓慢等缺点,为了解决此问题,提出通过遗传算法（Genetic Algorithm,GA）对BP神经网络的权重和阈值的大小进行优化,并在不同天气类型和季节类型下对比分析BP与GA-BP模型的预测结果和平均绝对误差率和均方根误差两种误差指标。研究结果表明不同天气类型和季节类型下,GA-BP模型更能准确预测光伏发电功率。（4）为进一步提升模型对光伏发电功率的预测精度和稳定性,将通过GA算法优化后的BP神经网络选作为弱预测器,多个GA-BP神经网络经过AdaBoost算法进行优化融合,建立起由众多GA-BP神经网络集合而构成的GA-BP-AdaBoost强预测器模型。为了对AdaBoost优化GA-BP神经网络后的模型性能进行验证,将其和单一BP模型、GA-BP模型和BP-AdaBoost模型作对比,选取江苏某光伏电站的实测数据进行算例分析,研究结果表明GA-BP-AdaBoost在光伏功率预测中具有更优异的预测效果。