光伏发电输出功率容易受到太阳辐照度、大气温度、风速、降雨、风向以及湿度等外部因素的影响。光伏发电大规模接入会影响电网内的功率平衡,精准预测光伏发电功率有利于电力系统进行精确调度和安排,能对电网调峰、调频等决策提供支持,同时对于维持电力系统的安全稳定和经济高效运行具有重要意义。基于此,本论文使用半数据驱动和数据驱动两种预测模型对光伏功率进行了预测。在半数据驱动模型中,使用水母搜索优化算法对光伏模组的单二极管模型参数进行优化,并用模型参数的修正公式对参数进行校正,实现了不同条件下模组工作状态的预测。在数据驱动方法中,用人工神经网络研究了气象和时间数据到功率数据的映射关系,通过数据分类提升了功率预测的准确度。在卷积网络数据驱动方法中,将功率时间序列和气象时间序列数据组织成二维格式,使用卷积神经网络对二维数据的特征进行提取,实现更高精度的功率预测。本论文的研究结论如下:（1）半数据驱动方法借助水母搜索智能优化算法,可以避开对非线性模型未知参数的直接求解,同时能够对模型参数进行准确的优化,保证模型参数的准确性。（2）在半数据驱动方法中,通过参数修正公式,单二极管模型能够实现对实验室条件下光伏模组工作情况比较准确的预测。在高温和低光照强度条件下该模型准确度有所下降。准确度下降的原因是模型参数修正公式在低光照强度和高温下参数修正不准确。（3）数据驱动模型中,根据降雨和功率数据,使用K-means聚类算法对数据进行分类。发现数据分类能够对网络的训练起到正面效果,功率预测准确度得到显著提升。（4）数据驱动—人工神经网络模型的预测结果中,发现不同的天气下,气象数据和功率数据具有不同的映射方式。该结论侧面佐证了分类的有效性。另外,还发现存在功率大幅变化的情况,这些变化并不能通过气象数据体现,表明存在其他因素也能够对光伏发电功率产生巨大影响。此外,功率大幅度波动与风向的快速波动、风向角度偏大存在一定关系。（5）从数据驱动—人工神经网络功率预测模型的网络训练和网络结构角度来看,该模型并不能学习到时间序列数据之间的变化规律特征,风向等数据的变化并没有对功率的预测产生影响。需要利用时间序列预测方法来实现功率的精准预测。（6）以功率和气象时间序列数据为输入的卷积神经网络模型,提升了光伏功率预测效果。同时,对卷积网络模型的数据进行分类,也实现了功率预测准确度的提升,表明分类能提高数据驱动模型的预测精度。