随着碳达峰和碳中和“3060目标”的提出,“电力减碳”将成为我国电力事业发展的主要方向,光伏装机容量将长期处于快速增长阶段。然而,光伏输出功率受到昼夜交替、季节更替和气象变化的影响,呈现出周期性、波动性和随机性的特点。这对光伏电源的大规模并网产生了不利影响,光伏弃电成为一种常态。因此,有效地预测光伏发电功率可以减少能源浪费,提高电力系统的稳定性。本文通过减少数据集中无效信息、引入残差特征和提升模型学习能力等三个方面研究了如何提升超短期光伏发电功率预测模型性能,主要研究内容包含如下3个方面:（1）提出了一种融合最大互信息系数（MIC）和随机森林特征重要性的特征筛选方法。该方法首先计算数据集中各个特征与发电功率之间的MIC,然后利用随机森林获得各个特征的重要性,最后依据特征的MIC和特征重要性进行排序,得出特征的剔除顺序,把排序好的特征依次生成不同的数据集输入到支持向量机（SVM）、BP神经网络和随机森林中,通过比较不同数据集对应的模型预测精度确定剔除的特征。（2）构建了一种堆叠式光伏发电功率预测模型。为了通过集成学习算法进一步提升模型的学习能力,提出将极限梯度提升树（XGBoost）模型和轻量梯度提升机（LightGBM）模型作为基模型,SVM模型作为元模型的堆叠式集成（Stacking）预测模型。针对数据无法完整地表示气象信息的问题,提出将Stacking模型的残差作为新特征加入到数据集中,以此来指示未知的气象因素。由于Stacking模型残差具有很强的一阶偏自相关性,同时为了避免未来信息泄露,在与原始数据集合并时需要将残差序列延迟一个时间间隔。实验结果表明,所提出的Stacking模型和残差特征可以进一步降低预测误差。（3）构建了基于注意力机制和残差特征的ALSTM-Res模型。针对Stacking模型的输入无法体现时间序列数据中隐含的依赖关系的问题,引入适用于时间序列数据建模的长短期记忆网络（LSTM）来预测光伏发电功率。同时在模型中引入注意力机制和残差特征。实验结果表明ALSTM-Res模型得到了更高的预测精度。