改革开放四十年来,我国在经济建设上取得了巨大的成就,不过环境问题也愈发严重。为此,党和政府审时度势,在十九大报告中将新能源产业列为国家战略发展产业,用以优化我国能源体系结构、保障国家能源安全、全面建成社会主义生态文明社会。同时,近年来机器学习与深度学习在生活生产中应用越来越广泛,但查阅相关文献发现将机器学习方法与深度学习方法应用于新能源领域上的相关研究较少。因此,本文在这一背景上,建立基于变权组合模型方法的LightGBM-GRU模型具有一定的实际与理论意义。本文查阅相关文献,选取了传统能源市场、碳权交易市场、环境因素及科技因素这四大类的变量,并从wind数据库中收集从2016年1月7日到2022年1月7日的数据,具体有英国布伦特原油价格、中国大庆原油价格、纽约天然气价格指数、中国LNG全国指数、欧洲动力煤价格指数、中国动力煤价格指数、北京碳权价格、欧洲碳排放期货、北京空气质量指数、宁德时代股票价格和隆基股份股票价格这11个影响因素。然后对收集到的数据进行描述性统计分析,通过观察数据的统计特征,对数据进行归一化及标准化处理,同时删除数据中存在的缺失值与异常值,并通过相关系数合并同一类别中相关系数较高的变量以优化模型,提高模型的泛化能力。最后,对经过预处理的最终数据建立单一变量门循环单元模型（Gate Recurrent Unit,GRU）,向量自回归模型（Vector Autoregressive model,VAR）、轻量级梯度提升机器模型（LightGradient Boosting Machine,LightGBM）和多变量GRU模型这4个单一预测模型,并采用变权组合模型方法将LightGBM模型与GRU模型这两个模型的优势,建立了本文最终的Ligth GBM-GRU预测模型。经实证分析后得到组合模型在均方根误差（Root Mean Square Error,RMSE）和平均绝对误差（Mean Absolute Error,MAE）这两个指标上均最低,分别为146.7和95.2,说明本文所选用的组合模型在新能源股票价格预测这一问题上是一种较好的方法,并得出如下两个结论:多解释变量模型比单一变量预测模型预测效果更优、变权组合模型预测效果比单一预测模型效果更好。