近年来光伏发电装机容量快速增长,光伏发电在全国年发电总量中的占比越来越高。但是,由于受到复杂多变的气象因素影响,光伏发电输出功率具有随机性、波动性和间歇性等特点。大规模光伏电源并网给电网的调度和稳定运行带来巨大挑战。精确预测光伏输出功率可为电力调度部门提供可靠的决策依据,提高电网对太阳能等新能源的消纳能力,保证电力系统稳定运行,它是解决上述问题的有效途径。针对目前光伏电站功率预测精度普遍不高且多数系统未提供区间预测结果等问题,本文在探索一种基于改进灰狼算法优化支持向量机（IGWOSVM）的短期光伏功率预测模型基础上,提出一种基于柯西变异因子改进鲸鱼算法（CIWOA）优化LSTM网络（CIWOA-LSTM）的短期光伏功率确定性预测方法;并采用非参数核密度估计（KDE）方法分析CIWOA-LSTM网络模型的预测误差,研究给定置信度下光伏输出功率的区间分布。主要研究内容如下:（1）影响光伏功率输出的关键因素分析。通过分析光伏发电系统的机理和物理模型,初步确定光伏输出功率的主要影响因素;再通过对光伏电站历史数据进行灰色相关性分析,选取辐照度、温度、风速和风向等因素作为光伏功率预测模型的输入变量。（2）基于IGWO-SVM的短期光伏功率预测模型研究。首先提出一种基于SVM的光伏功率预测模型,然后针对SVM的关键参数（C和gamma）难以确定,采用IGWO对上述关键参数进行优化,并将所得模型与SVM、LSTM、PSO-SVM、GWO-SVM和WOA-SVM等模型作对比,验证所提模型的有效性。（3）基于CIWOA-LSTM网络模型的短期光伏功率确定性预测方法。尽管基于SVM的模型可以实现光伏功率预测,但是由于SVM对光伏电站时序数据的内在关联特征提取能力相对有限;而LSTM网络具有良好的时序数据挖掘能力,更适用于光伏功率预测。为此,提出一种基于LSTM网络的短期光伏功率预测方法。同时,针对LSTM网络的超参数（训练批次数和隐含层神经元数等）依赖人工试凑选取存在的费时费力等问题,首先提出一种改进鲸鱼优化算法（CIWOA）,然后将该方法用于LSTM网络的超参数自动寻优,并通过与LSTM、PSO-LSTM和WOA-LSTM等模型作对比,验证基于CIWOA-LSTM网络模型的优越性。（4）基于KDE方法的光伏输出功率区间预测。针对光伏功率预测模型输入变量的突变以及模型本身鲁棒性给光伏功率预测结果带来的不确定性问题,需对光伏功率预测模型的输出结果进行不确定性分析以便确定其波动区间。为此采用KDE方法分析CIWOA-LSTM模型的预测误差分布,以解决实际工程中难以事先假定光伏输出功率的误差分布参数,常用的参数法区间估计精度低的问题。然后计算给定置信度为80%、90%和95%的预测区间范围,并与Gaussian分布和Gamma分布等参数法作对比。研究结果表明:（1）通过IGWO对SVM的参数C和gamma优化后,可以提升SVM模型的精度。（2）引入柯西变异策略的CIWOA克服了WOA早熟和易于陷入局部最优等问题,具有更好的全局搜索和局部开发能力。（3）经CIWOA优化后的LSTM网络模型对于四个季节均具有更好的预测精度。（4）基于KDE的区间预测方法能够准确描述给定置信度下的光伏功率分布区间,同时避免了参数法需要事先假设光伏输出功率误差分布参数的问题。