近几年我国为实现“碳达峰,碳中和”的目标,重点发展清洁能源。西北地区太阳能资源丰富,截至2021年6月,累计光伏装机容量达63.6GW,约占全国光伏装机总量的25%。但大量光伏电站发电并网过程中,发电功率的波动性对电网安全运行提出巨大挑战,精准预测光伏电站发电功率对新能源并网与调度具有重要意义。因此,很多学者对光伏发电功率预测进行了研究,受限于数据量,很多传统方法往往直接使用气温、辐照度等气象要素作为预测光伏发电功率的特征,很少考虑不同特征的融合对发电功率预测的影响。基于此,本文首先对西北地区的18个光伏电站数据进行分析,对采集到的大量数据进行异常点和缺失值处理。通过选取连续不间断数据分别按照25%、35%和40%的缺失比例进行随机删除,根据四种评估指标对阿基玛插值法（Akim a Interpolation）等13种常见的数据填补方法评估出效果最好的方法,用于异常点和缺失数据填补。然后,对数据进行相关性分析,筛选出与发电功率相关性较强的气象要素,将历史发电功率和强相关气象要素特征作为模型的输入特征。经过特征融合,将原始数据构建为三种实验数据集。最后,从循环神经网络（Rec urrent Neural Network,RNN）、卷积神经网络（Convolutional Neural Network,CNN）、XGBoost算法（e Xtreme Gradient Boosting）三个方面分别选取代表性模型,同时设计了基于注意力机制（Attention）的门控循环单元（Gated Recu rrent Unit,GRU）模型,研究不同特征融合对发电功率预测的影响。实验结果表明,历史发电功率和气象要素特征融合可以大幅度提升长短期记忆网络（Long Short-Term Memory,LSTM）、堆叠式LSTM（Stacked Long Short-Term Memory,Stacked LSTM）、双向LSTM（Bi-directional LSTM,Bi-LSTM）、GRU+Attention、时序卷积神经网络（Temporal Convolutional Network,TCN）和XGboost算法的预测精度,各项误差评估指标均降低了22.34%以上,赤池信息准则（Akaike Information Criterion,AIC）和贝叶斯信息准则（Bayesian Information Criterion,BIC）值均提高了2.30%以上。因此,本文所提出的特征融合光伏功率预测方法对发展光伏发电产业具有重要意义。