太阳能资源具有储量丰富、清洁可持续的特点,开发利用太阳能资源、发展光伏发电技术在应对能源危机、防止环境污染等方面表现出巨大潜力,已经成为可再生能源利用的重要方向。然而,光伏发电功率受大气系统的混沌特性影响,表现出极强的不确定性,大规模光伏并网给电力系统的安全稳定和经济运行带来巨大挑战。高精度、高可靠性的光伏发电功率预测能够为电力系统分析与控制提供关键数据支撑,近年来受到国内外学者广泛关注。传统光伏发电功率确定性点预测方法着重于提升预测精度,但预测存在固有不确定性,预测误差难以避免,预测精度的提升空间有限,亟需开发概率预测理论与方法实现光伏发电功率不确定性的有效量化。此外,云是造成光伏发电功率波动的重要因素,云的运动与演进变化会造成光伏发电功率剧烈波动,因此需要在光伏发电功率预测中加入对云的演进情形的考量。基于对传统光伏发电功率预测方法的调研及对其缺陷的分析,本文构建了基于地基云图的光伏发电功率概率预测模型,实现了对光伏发电功率不确定性的有效量化。主要完成了以下研究工作:（1）建立了基于深度学习的地基云图自适应特征提取模型。本文对原始地基云图数据进行预处理,并构建了非监督训练的变分自编码器模型,实现地基云图特征的自适应提取,大大降低了地基云图中的冗余信息。（2）构建了基于分位数回归的深度学习概率预测模型,并保证了预测分位数随标称分位水平的单调递增特性。本文将分位数回归与神经网络算法结合,利用长短期记忆神经网络提取出输入数据中的时序信息,预测得到光伏发电功率分位数结果,有效量化了光伏发电功率的不确定性;并提出非交叉变换层,在保证预测性能的基础上解决了应用神经网络实现分位数回归时的分位数交叉问题。（3）构建了基于地基云图的集成深度学习概率预测模型,通过所提模型与现有预测模型在开源数据集上的对比,验证了本文所提模型能充分挖掘地基云图的潜在特征,有效量化光伏发电功率的不确定性,在不同季节和不同天气状况下均具有优异的预测性能和良好的鲁棒性。