随着工业化的发展,人类在经济发展与科技进步的同时,也面临着能源危机与环境污染等严峻考验。太阳能因其取之不尽、用之不竭以及没有污染的特性无疑是非常理想的绿色能源之一。目前,太阳能光伏发电已经成为太阳能利用的主要方式。光伏发电分为并网和离网两种,其中,并网系统是当今国际上光伏发电的发展潮流,其发电的应用比例愈来愈大。但光伏发电系统由于受太阳辐照强度和气象因素等的直接影响,其输出功率具有间歇性与波动性的特点。为了给电网调度人员提供可靠的数据信息,保证电网安全稳定的运行,必须能够对光伏发电系统的短期功率进行准确的预测。目前,光伏发电系统短期功率的预测方法主要有间接预测法与直接预测法两种,其中比较典型的直接预测方法有基于支持向量机回归的预测模型、基于马尔科夫链的预测模型、基于BP神经网络的预测模型等。基于BP神经网络的预测模型因其具有很强的学习能力、组织性、容错性等优点,已成为光伏发电系统输出功率预测的一种常用方法。传统的BP神经网络在训练过程中存在容易陷入局部极小值、收敛速度慢等问题,本文运用LM(Levenberg-Marquart)算法对BP神经网络进行改进并建立了光伏发电系统输出功率的预测模型,在预测精度和训练收敛速度方面得到了提升。同时,在对历史功率数据进行筛选,获得预测模型输入数据的过程中采用了相似日计算方法,选取关联性强的历史数据作为样本,从而大大降低了模型的预测误差,并且有利于模型的收敛。另外,为满足电网安全稳定运行的要求,光伏短期功率预测不仅要给出确定的预测值,还应该对预测值包含的风险做出合理的评估。针对这种需求,本文提出了基于误差分布特性的置信区间估计方法,利用Bootstrap方法构造短期光伏功率预测区间。基于实际数据的测试结果表明,相比传统的预测方法,基于Bootstrap方法的功率区间预测可有效刻画短期光伏发电功率的变动特征。最后,结合本文的研究成果,设计并实现了一个光伏发电功率预测系统。主要包括四个模块：系统管理、数据管理、基于LM改进BP神经网络功率预测和基于Bootstrap方法功率区间预测。