由于微电网光伏出力的间歇性与随机性和用电负荷的波动性会对微电网系统的稳定运行造成较大的影响,使得微电网能量供需两侧之间的能量交换变得异常复杂,因此为保障微电网的安全稳定运行和用户的正常生产活动,对光伏出力及负荷进行精确可靠的短期预测具有重要的现实意义。在光伏出力短期预测方面。首先,对光伏出力特性进行了有效分析,经过特征工程处理,得到微电网光伏出力预测所需的时间特征、气象特征和历史光伏出力特征;其次,根据所得特征属性,结合宽度深度模型（Wide and Deep,Wide&Deep）与长短期记忆网络（Long Short Term Memory,LSTM）各自在数据处理方面的优势,设计基于Wide&Deep-LSTM的光伏出力短期预测模型;再次,为优化不同天气情况下模型的输入数据,采用K-means聚类算法设计了相似日的筛选模块,优化模型训练数据;最后,本文采用某光伏电站的历史光伏出力及气象数据,在Python软件平台上构建预测模型,在不同天气类型下比较BP、Wide&Deep和本文预测模型的预测效果,验证了所提预测模型的准确性。在微电网负荷短期预测方面。为有效地挖掘历史数据信息,提高负荷短期预测准确性,本文首先通过分析微电网用电负荷的周期性、气象相关因素,确定模型的输入的变量特征。然后分别在一维卷积神经网络（Convolutional Neural Network,CNN）和LSTM侧嵌入通道注意力机制（Channel Attention,CA）和时序注意力机制（Temporal Attention,TA）,构建CA-CNN和TA-LSTM模块,结合两个模块从而构建TCA-CNN-LSTM的层级注意力机制短期负荷预测模型。最后,实现了基于注意力机制优化的TCA-CNN-LSTM模型,并对四个校园微电网进行了连续一周的日前负荷预测。同时,为了体现本文提出模型的优越性,将文中模型与CNN-LSTM、基于单一注意力机制优化的CNN-LSTM模型进行对比,通过实验验证,文中方法有一定的应用前景。