由于化石能源逐渐枯竭、全球气候变化以及人们对于能源的需求量不断增加,大力发展太阳能等可再生能源已经成为必然。可是太阳能发电具有间歇性、随机性和波动性的特点,使得电力系统的规划以及安全稳定运行等面临着严峻的挑战,因此需要对光伏发电功率进行准确预测。目前大多数光伏功率预测研究没有充分考虑机理模型,预测精度有待提高,并且其预测结果多为确定值,难以提供预测结果的不确定性信息。针对以上问题,本文围绕光伏功率预测,从考虑机理模型、改进神经网络以及不确定性预测方法三个方面展开研究。主要的研究内容如下:首先,本文将机理模型引入光伏发电功率预测,建立了一种基于机理-长短时记忆网络（Long Short-Term Memory,LSTM）的短期光伏功率确定性预测模型。先利用机理模型提取出天气预报信息中的关键天气特征,并通过主成分分析和K近邻分类算法得到相似时功率,再将提取的关键天气特征、天气预报信息以及相似时光伏功率整合输入到LSTM中进行确定性预测,最后通过实验验证了模型的预测性能。其次,为了提高超短期预测的精度,本文引入最新发表的Informer网络,构建了一种基于机理-Informer-LSTM的超短期光伏功率确定性预测模型。该模型利用了Informer网络处理长序列输入的优势和LSTM高效捕获短时间范围依赖关系的能力,最后通过算例分析验证了该模型在长序列输入和短序列输入上的预测性能,同时探究了模型参数对预测结果的影响。最后,针对不确定性预测,本文将上述预测模型和分位数回归相结合,建立了一种基于神经网络分位数回归的光伏功率不确定性预测,并将得到的分位数用于构建预测区间。神经网络分位数回归方法的好处是可以直接训练一个整体的网络来最小化分位数损失,最后通过算例分析验证了该方法的预测性能。因此,对于短期预测,建立了一种基于机理-LSTM分位数回归的光伏功率区间预测;对于超短期预测,提出了一种基于机理-Informer-LSTM分位数回归的光伏功率区间预测。