实现“碳达峰、碳中和”的重要举措是构建以可再生能源为主体的新型电力系统。近几年,太阳能、风电能、潮汐能、生物质能等可再生能源发电被大力部署,特别是小型和大型光伏电站发展迅速。然而,由于光伏发电的不确定性和间歇性,为电力系统的平稳运营提出了巨大挑战,精准的光伏发电功率预测可以更好的分配电力储备,为风险决策、微电网的能源管理提供参考。因此,本文以深度学习为基础进行短期光伏发电功率预测,以期更好的为电力市场提供决策支持。本文设计了两种光伏发电功率预测方法,分别是基于Attention机制的CNNBiGRU预测模型和基于鲸鱼优化算法（Whale Optimization Algorithm,WOA）的Attention-BiGRU预测模型。论文主要工作包括:首先,对公开数据集进行预处理和相关性分析。由于光伏发电功率不可能为负值,将小于零的异常值用0代替;筛选出缺失值,用前一天同一个时刻的值填充;对于不同单位量纲的数据进行归一化与反归一化;由于光伏在晚上或者凌晨是不发电的,选取一天中5:00-19:00的光伏发电数据。通过Pearson和Spearman相关系数分析了特征重要性,确定了预测模型的输入变量,达到了对高维数据降维的目的。详细分析了水平面总辐射度、倾斜总辐射度、地外辐射度、温度和太阳天顶角等主要因素对光伏发电功率预测的影响。其次,设计了基于Attention机制的CNN-BiGRU神经网络预测模型。通过CNN提取光伏数据的空间特征,把CNN提取的这些空间特征送入到BiGRU神经网络中,利用BiGRU提取光伏数据的时间特征。然后,引入Attention机制解决长序列导致的预测精度下降问题,突出强相关特征的影响,减少弱相关特征的影响。实验结果表明,Attention-CNN-BiGRU和基于BP、GRU、BiGRU、AttentionBiLSTM、Attention-BiGRU的预测方法相比,具有更高的精度。最后,设计了基于鲸鱼优化算法的Attention-BiGRU神经网络预测模型。利用WOA优化Attention-BiGRU神经网络的学习率、训练次数、批数据的大小、第一层BiGRU的隐藏节点数,第二层BiGRU的隐藏节点数和全连接层隐藏节点数,以提高模型预测精度。实验结果表明,WOA-Attention-BiGRU与WOA-AttentionBiLSTM、Attention-CNN-BiGRU神经网络模型相比,预测精度更高。并且,Attention-CNN-BiGRU的预测精度优于WOA-Attention-BiLSTM模型。综上所述,本文以Attention-BiGRU为基础模型,从两方面提高其光伏发电功率的预测精度:一方面从加深神经网络模型结构入手,通过在Attention-BiGRU神经网络前加CNN层,提取光伏序列的空间特征;另一方面是从群智能优化算法入手,由于WOA优化算法参数少、操作简单以及跳出局部最优的能力强,所以选取WOA求解Attention-BiGRU超参数的最优解。