光伏发电是我国应对能源危机和经济发展新形势的战略新兴产业,在总能源结构中占比大幅上升。然而,受气象等因素的影响,光伏发电波动性大、间歇性强的特点对保证电力系统运行的稳定性、安全性、经济性十分不利。高精度的光伏发电功率预测在减少对电力调度的冲击,帮助调度部门制定高效的发电计划方面至关重要。围绕光伏发电短期预测问题,在充分完成数据特性分析及预处理工作的基础上,利用深度学习在特征学习方面的优势,从气象因素的充分挖掘、不同类型组合预测模型的构建以及点预测、区间预测不同预测形式的实现等角度展开深入研究,具体内容如下:（1）针对因气象因素特征提取不综合、不精确而导致预测精度不高的问题,利用深度学习强大的非线性拟合能力,采用模型参数优化的组合思路,提出了一种基于气象因素充分挖掘的PSO-LSTM组合算法,实现了功率的较高精度预测。引入K近邻算法（KNN）在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素,并利用粒子群优化算法（PSO）实现长短期记忆网络（LSTM）超参数的自动寻优。实现气象因素对光伏出力影响的充分挖掘,达到了提高预测精度的目的。实测数据实验结果表明,该方法选择LSTM作为模型的核心算法,在KNN算法的配合下充分利用气象因素,同时考虑发电数据的时序性,具有更好的预测性能。（2）针对光伏功率短期点预测研究,在充分利用所挖掘的关键气象因素和解析输出功率值内在变化规律的基础上,提出一种基于光伏序列分解重构的DBN-XGBoost组合模型。首先利用具有自适应噪声的完整经验模态分解算法（CEEMDAN）将原始发电数据分解成在时域内特征更加明显的模态函数序列,以提取发电序列在时间尺度上的特征;然后利用深度信念网络（DBN）和极限梯度提升（XGBoost）方法分别对重构后的模态分量进行预测。将得到的实验结果与基准模型——DBN、XGBoost以及BP等经典算法进行对比,证明所提算法的有效性。（3）针对光伏功率短期区间预测研究,基于光伏发电序列潜在的线性和非线性特征,从残差修正型的角度出发,提出一种基于ARIMA-Seq2Seq的组合模型。首先基于天气类型将原始光伏发电数据划分为云、晴、雨三种状态,并利用差分自回归移动平均模型（ARIMA）对划分后数据的线性成分进行建模预测,随后引入论证得出的影响光伏出力的主要气象因素,利用序列到序列模型（Seq2Seq）得到ARIMA残差序列的预测值,实现对ARIMA预测结果的修正。最后利用PSO寻优的比例系数法确定区间预测的上下限。通过两个不同数据集上的预测实验,均证明了所提算法能高效挖掘光伏数据间潜在的非线性关系,在光伏发电区间预测方面具有优越性。