光热储能发电是一种利用太阳能进行发电的新型发电方式。太阳能作为具有不确定性和随机性的典型能源,会不可避免地造成光热储能电站出力波动和难以预测。因为以上原因会给光热储能电站的实际应用带来不利影响,所以本文针对光热储能电站出力预测方法展开研究。首先,介绍了光热储能发电系统主要技术类别及其特点,并分析其运行机理。结合光热储能电站运行机理和特点,得出了太阳直接法向辐射是影响其出力的主要因素。随后以上述研究为基础,以预测电站出力为目的,利用稳态差分方程推导出各子系统之间及自身能量流等式与不等式约束,从而建立光热储能发电系统完整的静态能量流数学模型。仿真实验结果表明,所建立的数学模型可以较为准确地描述光热储能电站能量流动情况。其次,对适用于预测领域的几种深度学习网络结构和训练算法进行概述,主要包括深度神经网络、卷积神经网络和深度信念网络。在此基础上,为解决基本网络结构及训练算法在实际应用时出现预测精度较低和训练时间较长的问题,结合现有研究结果和本研究应用背景,将稀疏化、神经网络以及自适应思想引入,对以上模型网络结构和训练算法进行改进优化。仿真实验结果表明,提出的改进优化模型可以有效提升网络训练速度和预测精度。最后,在无法获取足量关于光热储能电站出力数据的研究背景下,提出一种结合静态模型的光热储能电站出力预测方法。第一步,将改进深度学习网络模型应用至光热储能发电系统聚光场太阳直接法向辐射预测中,建立对应预测模型,并选择出预测效果最优的模型;第二步,将预测所得的太阳直接法向辐射值带入光热储能发电系统静态数学模型,求得电站出力预测值。仿真对比结果表明,采用改进递归深度信念神经网络较其他两种深度学习模型能够得到更优的预测结果,以及提出的光热储能电站出力预测方法可以较为准确地得到对应预测值。