随着能源和环境危机的日益严峻,可再生能源在全球范围内快速发展。其中,光伏发电以其成本低、污染小等优点迅速成为新能源研究的热点之一。光伏发电具有间歇性和随机性的特点,这给电网系统的运行和调整带来了巨大挑战。为了确保光伏电站安全、稳定地并网,充分发挥新能源高效、环保的优势,同时克服其间歇性和波动性的缺点,就必须要对光伏发电的输出功率进行合理的预测。这样可以降低电网的运行风险,提高运行效率。目前,国内外学者已经提出了许多发电功率预测方法,这些方法在实现光伏系统的发电管理中效果显著。一方面,几乎所有方法都是采用基于历史数据的功率预测方法,这种方法必须提供大量的历史数据来进行模型训练。另一方面,因为从外界天气变化引起输出参数变化再到控制器做出反应的过程会产生大量延时,所以这种功率预测方式的天气自适应能力差、预测速度偏慢、实时预测精度不高。为了解决这些问题,本文对基于可变天气参数延迟时间模型（DTMVWP）的主动预测方法进行了创新性研究,提出了一种DTM-VWP主动功率预测算法。另外,为了同时获取更好的功率预测算法的快速性、准确性,本文也对DTM-VWP法与粒子群优化神经网络（PSO-BP）功率预测法的互补应用问题进行了深入研究。主要内容如下:（1）通过对光伏电池模型和光伏系统结构分析,建立了一种具有可变天气参数的整体线性化模型（OLM-VWP）。在此基础上,提出了一种具有可变天气参数的简化整体线性化模型（SOLM-VWP）及其DTM-VWP。该模型（SOLMVWP）可以避免使用线性化理论涉及复杂高阶系统延迟特性的分析,从而降低了硬件成本、缩短了计算周期并加快了获取暂态性能的速度,从而来开展实时的功率预测工作。（2）以OLM-VWP为基础,由光伏电池模型和电路定理的数学关系提出了一种DTM-VWP功率预测法,从而最大程度地提高了功率预测法的快速性。其中,找到光伏系统的延时模型与输出功率之间的直接关系是这些预测方法的核心,也是这些预测方法的主要理论依据。（3）以DTM-VWP功率预测方法为基础,在BP神经网络算法控制器的设计中,设置DTM-VWP功率预测算法来确定辐照度和温度这两种天气参数对光伏输出功率的影响关系,从而确定PSO-BP预测模型的输入变量。以此为基础,本文提出了一种基于DTM-VWP法优化PSO-BP（DTM-VWP-PSO-BP）的预测算法,它能充分利用DTM-VWP法与PSO-BP神经网络预测法两者的优势,克服了传统的PSO-BP神经网络的不足之处。最后,通过MATLAB仿真和搭建硬件电路实验平台,来分别验证所提出的线性化模型OLM-VWP、SOLM-VWP、DTM-VWP,和功率预测方法DTMVWP功率预测、基于DTM-VWP法优化PSO-BP的预测算法方法理论的正确性。实验结果表明整体线性化建模思想的可行性、DTM-VWP预测方法和DTM-VWP-PSO-BP神经网络预测方法的有效性。同时,通过对比实验也证实了:DTM-VWP法能够改进光伏系统功率预测的快速性,DTM-VWP法与PSOBP预测法相结合可以同时兼顾预测算法的快速性、准确性能。该功率预测方法为实现光伏系统的调度优化、能源的高效利用、电网的安全和稳定运行提供有效的理论支持。