太阳能的广泛利用推动了光伏发电产业的发展,传统的电能采集方法易受人为因素影响,实时性差、可靠性低。另外,传统企业将物联网设备接入独立开发的系统或第三方平台进行功能显示和管理。随着设备类型的增加,系统的兼容性、可扩展性和稳定性都很差。同时,在物联网时代,数据也变得越来越重要。因此,建立以数据为中心、高可用性的光伏发电管理系统具有实际应用价值。针对上述问题,本文通过新型的光伏设备接入协议弥补原有固化协议的不足,有效保证系统安全性;利用多种传感器上报数据解析规则改善设备不兼容问题,保证系统的稳定性;改进Docker的调度算法提升集群的资源利用率。同时对光伏发电功率进行预测,及时对异常数据告警。本文针对以上现状进行研究,主要工作包括以下三个方面:（1）本文提出将卷积神经网络与长短期记忆网络相结合的混合神经网络架构应用于实际工业场景中,以提高光伏发电功率预测准确性。通过一维卷积预处理单变量的数据,并经过两层时间卷积运算后将其转变为多维数据,增强长短期记忆网络的预测能力。同时将单步预测扩展为多步预测策略,在实际工程应用中,仅利用系统中的光伏发电历史数据,即可进行短期、中期和长期的功率预测,证明该混合模型具有很好的鲁棒性。（2）本文将改进蚁群算法应用于Docker容器调度,解决资源利用率和负载不均衡问题。所提出的改进算法考虑了历史调度,从而增强调度决策。在相同的配置下,将该算法与基本蚁群算法（ACO）和先来先服务算法（FCFS）进行比较,实验结果表明,所提出的算法在响应时间和吞吐量方面具有优势,可以提高系统的整体性能。（3）本文设计并实现了一个数据可监控、可分析、可连通的光伏发电管理系统。采用前后端分离思想,针对传统物联网架构进行优化改进,引入容器化技术、使用消息队列异步消费等,搭建集数据采集模块、管理平台模块、光伏发电功率预测模块、数据存储模块和后台服务模块于一体的完整系统,通过功能性测试和非功能性测试验证了系统的实用性,并在系统正式上线投入使用中取得预期效果。