在环境问题日益凸显、能源需求不断扩张的背景下,发展光伏发电这一重要的清洁能源替代方式已成为世界各国的共识。然而,光伏功率具有明显的随机性及波动性特征,其大规模接入电力系统将导致电网安全运行与光伏消纳之间的矛盾愈发严重。因此,精准的光伏功率预测结果对保障电力系统安全稳定和缓解新能源消纳问题具有重要意义。云团对于太阳光线的遮挡是导致光伏出力波动的主要因素,因此精准量化云团对于光线的遮挡影响是提升光伏预测精度的关键。近年来借助云图信息的光伏预测方法已逐渐发展为精细化预测的一个重要研究分支,目前基于地基云图的光伏预测研究较为深入,但地基云图观测范围有限且安装维护成本较高,故难以推广应用。与之相比,卫星云图获取便捷、成本较低,因而基于卫星云图的光伏预测研究近期受到越来越多的关注。但将卫星云图直接运用于光伏功率预测时仍存在着以下问题。首先,卫星可见光云图存在日内差异性特征,目前解决此问题的方法在公式参数的选择上多基于人工经验,主观因素强且普适性差。其次,卫星云图的更新频率通常为1小时,而超短期光伏功率的采集频率一般为15分钟,因此预测模型输入数据与输出数据之间时间标签的不匹配给建模过程带来了极大的挑战。再者,现有方法选取云特征区域时并未将太阳高度角的变化考虑在内,提取的云特征并不能准确反映云对于光线的遮挡影响,进而导致预测精度受限。针对上述问题,为精准量化云对于光线的遮挡影响、进一步提升预测精度,本文借助卫星云图这一数据源提出了一种考虑云遮挡影响的超短期光伏功率预测技术:（1）在云图预处理方面,本文通过综合考虑压缩率与相似度两种指标提出了一种经验公式的参数优选方法,该方法解决了依据人工经验设定参数而导致误差较大的问题;基于优选后的参数,通过对原始卫星云图进行标准化处理以及去底化处理,校正了卫星可见光云图的日内差异性特征并剔除了无关的冗杂信息,云图预处理为后续的信息提取以及模型输入变量的构建提供了数据基础。（2）在云图预测方面,本文构建了一种面向多时间尺度的云团移动预测技术,针对小时级和分钟级分别提出了云图预测方法。针对小时级时间尺度,通过融合卷积神经网络和长短期记忆网络的优势,基于卷积-长短期记忆网络提出了非线性云团移动预测模型以实现小时间的云图预测;针对分钟级时间尺度,基于小时内云团移动不显著的特点分别提出了利用质心偏移法和替代法的线性云团移动预测模型,以实现分钟级云图的预测。面向多时间尺度的云团移动预测技术利用时间分辨率为1小时的历史云图实现了时间分辨率为15分钟未来云图的预测,不仅解决了由于卫星云图更新频率较低而无法满足光伏功率预测在时间分辨率方面要求的问题,同时进一步提升了云图预测的精度。（3）在模型建立阶段,本文首先提出了一种特征云区域的动态选择算法,旨在云图中精准地定位到对太阳光线产生遮挡影响的特征云区域。依据特征云区域的数据形式,分别提出了基于改进卷积神经网络的光伏功率预测方法以及多模型组合的光伏功率预测方法。针对云特征的图像格式,提出了基于改进卷积神经网络的光伏功率预测方法,直接以云图像作为输入,通过卷积池化等操作提取出云遮挡特征并建立与光伏功率的映射关系;针对云特征的数值格式,提出了基于多模型组合的光伏功率预测方法,将从云图中提取出的数值特征作为输入,通过充分融合各个方法自身的优势以提升模型整体的预测性能。然后通过模型优化改进、预测误差修正等措施,进一步提升了预测精度。最终在算例分析部分,本文使用宁夏地区某三座光伏场站的具体数据对模型进行了相关测试,通过与多种基准方法进行对比,验证了本文方法在预测性能方面的优势。