随着世界能源的消耗加剧,可再生资源（太阳能、风能和地热等）清洁、无污染的特点受到全球各地的欢迎。为了解决模型学习能力差,预测效果不佳的问题,本文采用不同方法对时间序列数据特征进行提取,结合深度学习模型对光伏发电量进行预测,从而充分利用太阳能资源。实验表明,提出的新型深度学习集成模型在短期内对光伏发电量的预测有一定提高,其具体研究内容介绍如下:（1）为了提升太阳能光伏发电预测的准确率,创造性地提出了一种基于VMD＿MC＿NLSTM的集成预测模型用于光伏发电量的短期预测。该方法采用变分模态分解（Variational Mode Decomposition,简称VMD）,将输入的电力数据分解为多个有限带宽的本征模态分量,分离了数据中的噪音和信号,然后每个模态分量通过建立嵌套长短期记忆神经网络（Nested LSTM,简称NLSTM）对数据样本进行训练预测,最后根据光伏预测模型的预测性能评价标准判断模型的优良。实验结果表明,该模型光伏发电量的预测精度有较好的提升,说明其光伏发电量的预测准确性有所改善,且优于其他单一模型（如LSTM模型）,甚至其他混合模型（如CNN＿LSTM模型）。（2）考虑到天气数据的多维性,提出了一种结合门控递归单元（Gate Recurrent Unit简称GRU）神经网络和注意机制的混合深度学习模型,用于预测四个不同季节的太阳辐照度变化。首先,结合Inception神经网络和Res Net的优点从原始数据集中提取特征;其次,将提取的特征输入到递归神经网络（Recurrent Neural Network,简称RNN）网络中进行反复训练;最后,学习到时间序列数据的复杂特征。实验结果表明,提出的混合深度学习模型相较于对比模型,在预测的精度和稳定性上,已有较好的改进。（3）针对时间序列数据特征随机性的特点,提出一种基于TCN＿LSTM的集成太阳能光伏发电预测研究模型,该模型采用时间卷积神经网络（Temporal Convolutional Networks,简称TCN）对训练样本提取主要特征,TCN具有灵活性强的特点,可以根据实际情况通过改变感受野的大小对隐藏层进行调整,具有一定的先进性,通过长短期记忆人工神经网络（Long Short Term Memory,简称LSTM）对输入的特征实现到高层特征的信息抽象,将LSTM和注意机制的结合对数据样本进行学习,最后通过评价指标数据化其学习能力。实验结果显示模型可以较高程度的与真实值曲线拟合,不会出现较大程度的脱离现象,说明该模型具有较强的学习能力,学习到较多的数据特征,保持了时间序列预测的稳定性。