可再生能源的高度变化性是制约可再生能源在电力系统中普及应用的主要障碍。不同于风能预测已有的成熟方法和系统,超短期太阳能预测因为受云层影响而存在剧烈及不规则波动,一直以来都是行业的难题。采用高精度、高时间分辨率的太阳能预测可以有效减轻太阳能并网的负面影响,从而提高太阳能并网的普及率。太阳能预测的目的是提前几分钟准确地预测太阳辐射值,特别是实现斜坡事件的预测,而基于单一数据源的传统太阳能预测方法无法实现。因此,本文提出了一种基于深度学习算法的异构数据融合的太阳能预测方法,异构数据源包括7年夏天的全天空图像、气象数据和太阳几何数据。全文主要工作内容如下:首先,针对云层运动对太阳能变化影响较大的问题,本文采用卷积神经网络(ConvolutionalNeural Networks)和迁移学习算法提取天空图像特征。本文先搭建了CNN分类网络,用于识别天空图像中太阳是否被云层遮挡。之后将分类网络学习到的特征迁移到CNN回归网络,并验证提取的天空图像特征的有效性。实验结果表明系统的拟合程度R2为0.8185,总能量误差百分比仅为1.91%。相比其他利用天空图像预测太阳能的复杂方法,本文提出的特征提取系统捕获了影响太阳辐射值大小的关键信息,可以方便地扩展到其他太阳能预测算法。其次,针对多源数据无法较好融合及各种数据的序列依赖性问题,本文利用长短期记忆网络(Long-Short Term Memory)算法进行异构数据融合和太阳能时间序列预测。本文通过融合过去30分钟的三种数据来预测5分钟后和10分钟后的平均全球水平辐射值(GHI),并与空白对照组和四种常见太阳能预测算法对比。实验结果表明,预测5分钟后太阳辐射值效果比预测10分钟后的好,且NRMSE达到0.089,能量误差2.71%。对比空白实验,本文系统性能提高了40%;相比其他算法,系统预测误差降低了 15%到44%。研究表明,本文提出的预测系统在准确性和鲁棒性方面优于文献中的其他方法,这项工作在减少斜坡事件对电力系统的影响方面有借鉴意义。