随着社会经济的发展,能源危机日益受到国家的重视。传统的化石燃料不仅破坏生态造成污染,还是一种不可再生的能源。太阳能是一种清洁的可再生能源,且不受地理限制,因此全世界都在大力发展光伏发电。然而,光伏发电具有较强的波动性与随机性,如果不能对光伏输出功率进行准确的预测,在其并网时,就可能对实时平衡的电网产生影响甚至破坏。所以对光伏发电的输出功率进行精确的预测研究就具有重要的现实意义与应用价值。本文首先介绍了光伏电池的发电原理以及光伏电站的基本结构与发电过程。分析了光伏发电系统的输出特性,选取了太阳辐照度、环境温度、风速以及湿度作为影响光伏发电系统输出功率的主要因素,为后续的光伏发电预测模型做好准备。在考虑了影响光伏发电输出功率的主要因素,构建BP神经网络预测模型对光伏输出功率进行预测。由于太阳辐照度等气象因素与光伏发电输出功率有着明显的关系,因此将影响光伏输出功率的主要气象因素特征值作为BP网络的输入,光伏发电功率预测值作为网络的输出。因为BP神经网络本身存在局部最优的问题,预测精度不高,所以需要对其进行改进。针对BP网络存在的局部最优问题,使用改进的蜂群算法（IABC）来优化BP神经网络的初始权值和阈值,建立IABC-BP光伏输出功率预测模型,提高功率预测的精度。蜂群算法（ABC）虽然全局搜索能力较强,但是在局部的搜索能力不足,为此引入全局因子,采用新的位置更新公式对ABC算法进行改进,并通过测试函数验证了 IABC算法的寻优能力。为了进一步提高预测的精度,以IABC-BP预测模型为基础,加入相似日理论。选出与待预测日关联度高的样本对模型进行训练,避免相关度低的样本数据影响模型的预测结果。本文采用K-means算法选择相似日,针对K-means算法采用随机中心点的缺点,使用新的初始中心点选择公式,并利用鸢尾花数据集验证了改进K-means算法的分类效果。最后通过对一天中8时至17时的整点功率预测仿真对BP、IABC-BP和基于相似日理论与IABC-BP的三种预测模型进行测试对比,仿真结果表明,基于相似日理论与IABC-BP的预测模型的预测效果优于另外两种功率预测模型,有效提高了光伏输出功率预测的精度。