石油、煤、天然气等不可再生能源的蕴藏是有限的。同时,随着化石燃料大规模的开采和消耗,带来了严重的环境问题。各国对新能源的发展日益重视。近年来在政府各种可再生能源的扶持政策影响下,光伏产业迅猛发展。但光伏发电具有随机性和间歇性,如果光伏发电量直接接入电网系统,将给现有电网的稳定性和安全性带来巨大挑战。准确预测光伏发电功率,可以有效缓解光伏发电对电力系统运行的冲击,而光伏板温度对光伏功率的预测起着举足轻重的作用,所以能够精确预测光伏板面温度是对功率精度的更一步提升。本文结合深度学习技术和宁夏中卫光伏电站的历史数据对光伏板面温度和光伏发电功率预测进行了研究,研究内容包括以下几个部分:首先,采用单一的长短期记忆网络(LSTM)模型对光伏板面温度和光伏功率进行预测。LSTM作为循环神经网络的变异模型,解决了梯度反向传播过程产生梯度消失和梯度爆炸问题。最后得到了较为准确的结果。其次,在单一的LSTM网络模型的基础上提出CNN-LSTM网络模型,使用长短期记忆网络进行光伏板温度和光伏发电功率预测时,考虑到卷积神经网络具有强大的提取数据特征的能力,本文先采用卷积神经网络对光伏板温度和光伏发电功率及其相关数据进行特征提取,然后将特征向量数据作为LSTM的输入数据,LSTM利用其内部记忆单元动态地描述光伏板温度或光伏发电功率序列变化。为了更进一步提高光伏板温度和光伏发电功率预测的精度,采用自适应矩估计算法(Adam)对长短期记忆网络的权值和阀值进行优化,得到光伏板板面温度及光伏功率预测结果。经验证表明所提的CNN-LSTM模型较LSTM模型在预测精度上更优。最后,在改进的CNN-LSTM网络模型的基础上提出了 Boosting集成算法,Boosting集成算法训练过程为阶梯状,基分类器分别按照顺序进行训练后,其训练集依照某种方法来进行转化,最后转换成强分类器。使用Boosting集成算法模型的光伏板表面温度和光伏功率预测结果比单一的LSTM模型和CNN-LSTM模型在精度上更优。