随着全球能源危机的爆发,风能、太阳能等新能源得到了大力发展,新能源发电逐渐从补充能源向替代能源过渡。太阳能以其长久性、再生性、无污染等优点备受人们的青睐,光伏发电是目前太阳能利用的主要形式,然而,光伏发电由于受天气状况、昼夜交替、季节更迭等外界环境因素的影响,使得大规模光伏并网发电,不但给电力系统的运行引入安全隐患,同时也给电网调度人员在制定各项电源的调度计划时带来难题。因此,准确的预测光伏输出功率是一个值得深入研究的问题。本文基于深度学习方法预测新能源电站发电功率。首先通过对光伏发电功率日曲线的特性进行分析,提出一种基于辐照度指数的天气类型聚类方法。在此基础上,使用长短期记忆网络按照不同天气状况的不同分别建立算法模型。同时再根据模型的预测结果对预测误差的分布进行研究,实现了光伏功率的区间预测。本文的研究工作和创新点如下:●提出一种基于辐照度指数进行天气类型聚类的方法,并在实证研究中验证了该种聚类方法可以提高预测的准确率;●利用长短期记忆网络构建光伏功率预测模型,不仅对单个样本输入特征与输出功率非线性关系进行建模,而且捕捉到丰富的样本间多变量时间序列的依赖信息,有效提高预测的性能;●对光伏功率预测模型的预测误差分布进行统计分析,首先假定其服从拉普拉斯分布,然后利用最大似然估计计算分布参数,最后获得待预测时刻所属的发电功率的预测区间。