随着煤、石油等化石燃料的不断消耗,能源可持续发展当今已成为世界关注焦点,大力发展可再生能源已经成为应对环境、生态等问题的重要举措,而在众多可再生能源中,太阳能是分布最广且资源量最大的能源,所以合理利用太阳能显得尤为重要。由于太阳能易受日照辐射量、天气波动以及气候变化等因素影响,其发电系统输出功率具有随机波动性和间歇性。为了减少电站对配网的影响,需要对光伏进行短期预测,作为光伏电站的必要技术,光伏发电功率预测是解决光伏电源随机波动性对电力调控系统影响的重要手段,本文对发电功率预测进行了分析研究,论文主要包括以下几方面的内容:(1)通过理论知识介绍,对光伏发电机组的组成以及发电功率特性进行研究分析,从实际数据出发,分析光伏发电系统输出功率的影响因素,通过研究各气象因素的相关性,从而确定模型输入。(2)从理论上讨论了长短期记忆神经网络(Long Short-Term Memory,LSTM)结构,并将该方法应用于超短期发电功率预测模型中,研究考虑了季节以及天气因素影响,针对不同季节建立四种预测模型,针对模型结构本身,讨论了模型参数以及结构变化对预测结果的影响,为了验证所建模型的精确度,与传统的功率预测方式进行对比,预测结果的分析表明所建模型精度高于传统预测方法 3.46%～13.46%。(3)基于理论基础,提出了两种针对不同天气类型的预测模型:针对理想天气类型,将通过数值天气预报给出的日均气象数据作为模型输入,按照季节因素分别建立LSTM模型;针对非理想天气类型,提出一种基于灰色系统模型(Discrete Gray Model,DGM)和LSTM算法的短期发电功率预测模型进行日前预测,首先运用DGM算法对每日总功率进行预测,其预测值作为LSTM模型校正输入量优化功率预测趋势。