随着传统化石能源的急剧枯竭,全球环境危机不断加重,可持续发展成为当今的时代主题。为保证能源供给和控制受污染的程度,各国政府竭力发展可再生能源。在具有清洁与可再生特点的新能源中,数量最大的是太阳能。但是它的随机性、间歇性极大地限制了大规模开发和利用的进程。这就需要对光伏发电功率进行准确有效的预测,来减少光伏电站规模化并网带来的电力系统安全性问题。当前,短期和超短期的光伏出力预测模型需要提升的部分主要在于预测精度和与工程实际的贴合性。针对上述问题,本文从坏数据识别和修复、预测模型优化这两个方面来进行研究和分析。基于发电原理的物理建模和历史数据的数理统计两种思路,分析光伏发电功率与天气等因素的相关性程度和日发电曲线的分布特性。将原始功率数据分缺失异常与奇异异常两种,在此分析结果的基础上进行坏数据识别。针对缺失异常型数据,利用nnz函数进行筛选;针对其他完整数据,参考具有地域相关性的邻近电站功率出力值以及自身电站探测所得的辐照度,完成考虑动态分布特征的曲线相似度函数的计算,根据函数值的分布情况区分出含有异常数据的日期,通过对照参考曲线的聚类情况筛选出异常时段。针对这两类异常数据,本文构建了利用粒子群优化的径向基函数方法的坏数据修复模型。通过与其他算法的对比,实验运行结果证明了该方法的有效性与优越性。超短期部分由于时间尺度很短,误差源于外界因素的影响较小,仅以历史时间序列作为输入。以异常修复的结果作为输入,构建以循环神经网络改进的差分自回归移动平均光伏预测模型。该部分先是分析了算法在时间序列预测领域的优越性与不足。考虑大波动时预测精度减弱的缺点,引入基础循环神经网络对其改进,并对优化原理进行了数学的理论推导。结合实际算例可以看出预测效果较好。短期预测部分往往面临两类问题。一是所需气象数据实际工程难以获得,如辐射角、场站附近PM2.5浓度等参数,从而降低了实际应用性。或者需要基于现有气象数据先预测实时的云量、温度等变化曲线,使得出现误差叠加。为解决上述两种困境,本文以气象预报现有数据作为输入,构建了5种采用深度学习方法的短期（日前）预测模型,通过实验分析优劣特点,并以最优的方法,即引入注意力机制的门控循环单元神经网络算法来构建模型,开发软件平台,投入使用,贴合工程实际,预测效果较好。最后,总结全文的研究成果,针对不足,提出对后续研究的发展展望。