太阳能光伏发电技术因其零污染、安全可靠和无噪声等优势已成为可再生能源技术领域的重点研究对象。采用人工神经网络来预测光伏发电系统输出功率的方法已被广泛应用。然而,由于存在参数设置繁琐、预测性能不稳定等缺陷,基于传统神经网络算法的光伏发电功率预测模型无法适用于不同的预测场合。为此,基于极限学习机、长短时记忆神经网络和辅助优化算法,本文设计了两种光伏发电功率预测模型,具体内容如下:为保证预测模型的稳定性和准确性,提出了一种基于极限学习机的日前光伏发电功率预测方案。在该预测方案中,为了提高训练样本的质量并减少训练模型所消耗的时间,设计了一种相似日分析方法。此外,利用遗传算法优化极限学习机的初始权值和阈值来提高该预测方案的性能。通过使用澳大利亚爱丽丝泉真实数据集对该方案在四个季节下预测结果的准确性进行了分析,结果表明真实值与对应的预测值之间具有良好的一致性。通过与其他预测方案的对比分析,进一步验证了该预测方案的精确性和稳定性。考虑到噪声数据对预测结果的影响,结合经验模式分解、正弦余弦算法和长短时记忆网络设计了一种光伏发电功率预测模型。借助基于经验模式分解的去噪方法对原始数据进行处理,避免了噪声数据对预测结果的影响。利用正弦余弦算法调节长短时记忆网络的参数,进一步提高了预测模型的准确性和稳定性。在实例分析中,讨论了输入气候变量、数据集划分和正弦余弦算法参数设置对预测结果的影响,并对两个典型月份下得到的预测结果进行了对比测试。与其他几种预测方案相比,该预测模型在提前一日的光伏发电功率预测中具有更高的精准度。