随着人口不断增加和经济规模迅速扩张,中国对于电力生产的需求正在不断增长。因此,对光伏发电进行合理规划和有效管理至关重要,实现这些的前提是准确、快速地对短期光伏发电功率进行预测。然而传统的短期光伏发电预测模型已经无法满足当前光伏发电系统的要求。一方面,光伏发电序列受日照辐射变化影响呈现出非平稳性,使用传统深度学习模型准确预测难度较大;另一方面,有效利用气象因素进行预测较为困难。如何对光伏发电数据进行有效的平稳化处理以及气象因素影响分析,并对深度学习模型进行改进以准确地预测光伏发电功率,成为当前光伏发电系统的研究重点。本文以信号分解和长短期记忆网络为基础构建光伏发电预测模型,主要研究内容如下:针对光伏发电序列波动大和非线性的特点,本文提出了聚类经验模态分解（Clustering Empirical Mode Decomposion,CEMD）算法对光伏发电序列进行分解,并将该算法与长短期记忆（Long Short-Term Memory,LSTM）网络进行结合提出了CEMD-LSTM光伏发电预测算法。首先利用经验模态分解算法对原始光伏发电序列进行分解得到本征模态函数（Intrinsic Mode Functions,IMFs）,然后使用本文提出的改进k-Shape聚类算法对IMFs进行聚类以保证子序列数量不变,最后分别使用LSTM网络对子序列进行预测并将各个网络的输出相加得到最终预测结果。仿真实验结果表明,CEMD-LSTM在保证预测精度的情况下,减少了模型训练时间。此外,由于CEMD-LSTM光伏发电预测算法仅使用了历史发电功率数据进行预测,该模型在非理想天气条件下的预测结果仍有改进空间。因此,本文提出了基于特征注意力机制的光伏发电预测结果优化算法。该算法首先分析了气象特征与光伏发电序列的相关性,并对历史光伏发电序列进行相空间重构,然后将处理后的气象特征、相空间重构数据以及CEMD-LSTM模型的预测结果进行拼接形成组合数据,最后将组合数据作为基于特征注意力机制和LSTM的Attn-LSTM模型的输入。通过仿真实验,证明了本文提出的预测结果优化算法可以有效地提高模型的预测精度。