近年来光伏发电在电网系统中的占比越来越高,其重要性不言而喻。但是光伏并网后电力系统的稳定运行也因光伏发电具有的强波动性和间歇性出现了一定的风险。因此为了电网调度的合理性与安全性,短期光伏发电功率的精确预测也显得尤为重要。深度学习方法凭借其在大数据背景下优越的特征提取能力博得了众多国内外专家学者的青睐。长短期记忆网络（LSTM）作为深度学习中一种颇具代表性的网络结构,其独特的记忆功能和随时间权重共享等机制,使得其被广泛应用于各种领域。本文基于长短期记忆网络这些优异的特性,将光伏功率作为预测对象来构建短期光伏功率预测模型。长短期记忆网络中记忆单元具有提取原始数据序列中隐藏的内在时间关系的作用,非常适合应对具有强时间关联性的光伏功率序列预测。而且长短期记忆网络的权重参数随时间共享,这也使得其参数数量较少,更易于网络训练。由此建立基于LSTM网络的短期光伏功率预测模型。首先针对网络输入选择问题,采用皮尔逊相关系数对气象变量进行筛选。除了历史光伏功率以外,与光伏功率相关性较强的气象变量也作为网络输入。通过采用来自澳大利亚DKASC光伏电站的实际运行数据并结合小批量梯度下降训练算法,根据实例对比分析,充分证明了以上模型的在实际预测中的可行性。由于光伏功率序列不仅是时间相关的,还具有较强的非平稳性,采用最大重叠离散小波变换（MODWT）算法对光伏功率序列进行分解。通过对分解得到的平稳子序列进行预测,能够有效降低预测难度。为了在这个分解预测重构的过程中,保证整体模型的收敛性,本文从最大重叠离散小波变换分解算法的完全重构性和长短期记忆网络的收敛性两个方面入手,并借助李雅普诺夫稳定性定理,得到了模型收敛所需要的学习率范围。之后从实例出发,并基于多种评价指标对建立的MODWT-LSTM模型进行仿真对比验证,对比结果表明该模型在所有四个模型中具有最佳的预测性能。