近年来,随着能源短缺和环境污染等问题越来越严重,能源转型势在必行,光伏作为一种清洁能源,装机容量与日俱增,但是随之而来的潜在问题也逐步凸显。由于光伏发电受各种不确定性天气因素影响,具有较强的随机性及波动性,故大规模光伏并网将会对电网的安全稳定运行造成威胁。因此,准确快速的光伏出力预测有利于调度部门制定调度计划、扩大光伏并网比例、促进光伏消纳、减少光伏并网带来的不利影响。首先,论文介绍了国内外光伏发电发展概况以及光伏出力短期预测的研究现状。以威宁气象站的历史资料为基础,利用从气象学法和遥感反演法得到的数据分析贵州威宁地区某光伏电站的太阳能资源以及气象要素。其次,为提高光伏电站短期出力预测的准确性,本文分别对光伏电池发电原理和并网光伏发电系统做了简要介绍,进而逐一分析影响光伏电站出力的主要因素。通过运用Pearson相关系数法,选取相关性较高的影响因素作为预测模型的输入数据,以提升预测模型精度及计算效率。然后,针对传统神经网络预测方法对数据的时间相关性挖掘能力不足的问题,提出一种基于长短期记忆神经网络（Long Short-Term Memory,LSTM）的光伏电站短期出力预测模型。利用贵州威宁地区某光伏电站历史实测数据,通过建立BP、RNN、LSTM三种预测仿真模型,对比不同天气类型下的预测结果,结果表明了LSTM模型的有效性及更好的预测性能。最后,考虑到光伏出力预测数据的机理特性,在LSTM预测模型的基础上,引入卷积神经网络（Convolutional Neural Network,CNN）,提出一种基于CNN-LSTM光伏电站短期出力预测模型。该模型结合了CNN的特征提取能力与LSTM的历史记忆能力,从而实现了时空信息的融合。通过与传统预测模型相比,结果验证了所提模型的有效性,同时,具有更强的拟合能力及可泛化性。