能源消耗与环境变化是人类在社会发展过程中所面临的两个相互制约的问题。太阳能因其储量大、普遍性、长久性、清洁等特点,在清洁能源中脱颖而出,得到了世界各国的大力发展。但光伏发电具有随机性和间歇性,如果大量光伏发电系统直接接入电网,将给现有电网的稳定性和安全性带来巨大挑战。对光伏电站的发电功率进行预测有助于解决这一问题。本文结合近几年流行的深度学习技术和保定英利光伏电站的历史数据对光伏发电功率预测技术进行了研究,研究内容包括以下几个部分:首先是数据预处理、数据分析与聚类。对光伏发电功率历史数据进行了时间段统一、缺失值补全、变换时间间隔和数据归一化等处理。然后分别对同一天气类型下不同日期的功率历史数据和不同天气类型下的功率历史数据进行了定性分析,随后提出了一种基于具体天气类型下的发电功率历史数据集的平均值和K-means的聚类算法。接着,在聚类结果的基础上,将全年的光伏发电功率历史数据按照4大天气类型划分为4部分。其次是搭建基于深度信念网络的光伏发电功率预测模型。为了解决模型的输入问题,提出了基于温度的相似日选择算法,将预测日对应相似日的功率序列数据结合预测日的气象数据作为预测模型的输入。随后,基于模型的输入和输出,针对划分后的功率历史数据分别建立了训练集、测试集和验证集并构建了4个基于深度信念网络的预测模型。预测结果显示该模型在4种验证集上均取得较好的预测效果。最后是基于另一种深度学习中专门用于处理序列数据的LSTM网络构建了预测模型,由于该网络不能接收逐日的气象数据所以输入只有相似日的功率序列数据,最终该模型也因为这一原因在预测效果上稍差于深度信念网络预测模型。此外,两种深度学习预测模型也与传统统计学ARIMA模型做出对比,结果显示基于深度学习的预测模型优于ARIMA模型。