现阶段,清洁能源发电比例逐步提高,其高度的不确定性与波动性为电力系统的调峰和调度带来了挑战,对新能源出力的精准预测是维护电网运营供需平衡及安全稳定的关键。针对当前新能源发电超短期功率预测难题,本文基于数据驱动,对深度学习技术在超短期功率预测中的应用进行了深入研究,具体内容包括:1)针对新能源发电运行存在的数据缺失、数据异常和噪声数据等问题,对时序数据的特征分析与预处理技术进行了研究,分析了基于孤立森林的异常数据检测方法、基于链式方程多重插补的缺失数据填补方法,并对时序数据进行了相关性分析以及聚类分析。通过实验分析改善了数据质量,提高了预测模型的泛化性与可释性。2)针对传统超短期功率预测方法对输入数据的深层特征挖掘不够,泛化能力有待提高等问题,首先分析了深度学习的结构和模型特点,选取具有代表性的三种深度学习网络模型:CNN、LSTM、GRU,以及组合模型进行对比实验,分析了各方法的预测精度及优缺点,研究了在考虑多种影响因素下复杂环境的功率预测问题;针对不同时间步长、预测步数对所提方法的影响进行了实验分析,结果表明深度神经网络模型可有效提高预测精度,为提前预警、宏观决策和电能调度计划等方面提供指导。3)针对风能和太阳能发电特性和数据差异,并且考虑到当时序数据过长时现有功率预测模型易丢失重要信息等问题,提出了一种基于Attention机制的小波分解-双向长短时记忆网络（W-Bi LSTM）超短期风、光发电功率预测方法。利用小波分解提取输入时间序列的时域信息和频域信息。考虑双向信息流,采用双向长短时记忆网络（Bi LSTM）进行预测,引入Attention机制,通过映射加权和学习参数矩阵赋予Bi LSTM隐含状态不同的权重,突出风、光功率由于数据特性差异所造成的对不同时间点位置的注意力分布的不同,有选择性地获取更多有效信息,从而捕捉数据间的时间相关性并选择相应的驱动数据进行预测。采用实际数据进行实验验证,结果表明所提模型与对比模型相比,具有良好的预测性能。