随着光伏发电产业的蓬勃发展,世界各国对光伏发电产业的重视程度也越来越高,全球新增光伏装机总量正在持续快速增加。在国家政策对光伏发电产业的大力支持下,我国光伏发电产业的发展速度近年来处于世界领先位置,国内光伏发电累计装机容量远远领先其他国家,截止2020年底已经连续六年位居全球首位。然而由于太阳能具有间歇性和波动性等特点,光伏输出功率也因此表现出相同的特性,当光伏发电系统直接接入电网时,会对电网的安全、稳定运行及电能质量带来严峻挑战。对光伏发电系统的输出功率进行高精度预测是解决这一问题的有效方法。本文首先根据光伏电站的发电特性,对影响光伏输出功率的各主要气象因素进行了原因分析,然后采用Pearson相关系数法研究光伏输出功率与各气象因素之间的相关程度,得到了各气象因素与光伏输出功率之间的相关系数值,最后根据相关性分析结果确定可以作为模型输入变量的气象因素,为后文的建模做好数据准备。其次,基于变分模态分解（Variational Mode Decomposition,VMD）算法将光伏输出功率的原始序列值通过分解得到趋势分量、细节分量和随机分量等子模态序列,分解后的子序列作为预测模型的输入可以有效弱化原始序列的非平稳性,从而提高了预测模型的鲁棒性和准确性。然后,针对长短期记忆网络（Long Short-Term Memory,LSTM）所采用传统的Encoder-Decoder编解码器在模型训练过程中语义向量C的长度不变的问题,提出了融合注意力机制（Attention）以优化LSTM编解码过程;结合VMD分解技术,提出了一种基于VMD和ALSTM的短期光伏输出功率组合单点预测模型。通过实验结果表明,VMD分解技术可以降低光伏输出功率数据的非平稳性,并能提高模型的鲁棒性,而Attention机制由于其改良了LSTM网络的编解码方式,同样提高了模型的预测精度,因此,所提的短期组合点预测模型的预测能力在多方面得到了有效提高。最后,针对光伏输出功率具有间歇性和波动性等特点,目前主流的对光伏输出功率进行确定性的点预测实际上难以完全满足电力系统调度运行的需求,而区间预测则不仅可以提供确定性的预测值,同时还可以给出在满足置信度水平下该时刻输出功率的波动区间,为决策者提供更为全面的预测信息。因此,本文提出了一种结合非参数核密度估计理论（Nonparametric Kernel Density Estimation,NKDE）的光伏输出功率区间组合预测方法。通过算例分析表明,该方法具有很好的可行性和潜在价值。