自全球变暖和化石燃料严重枯竭的几十年来，人们一直鼓励使用和开发可再生能源(RES)。可再生能源不仅被认为是解决全球变暖和化石燃料严重枯竭的解决方案，而且反映了能源发展的未来。在替代常规能源方面，太阳能已成为一种最流行的方法，在世界上已被许多国家使用。但太阳能具有天然的波动和间歇性，而这种特性主要受电场的地理位置和天气条件影响。太阳能资源的间歇性可能导致发电量和负荷需求之间的平衡出现严重问题。因此，大规模并网太阳能光伏电站已给电网带来了重大问题，例如系统稳定性、可靠性、电功率平衡、无功功率补偿和频率响应。
　　光伏功率预测技术已成为解决这些问题的最常见且有效的方法。在众多光伏功率预测方法中，基于深度学习网络的方法脱颖而出。但要想获得理想的光伏功率预测模型，充足的历史数据是前提。对于新建的电场，现有数据不足以训练模型。因此，本文针对数据匮乏下的超短期光伏功率预测做了如下研究：
　　首先，通过对神经网络及深度学习的工作原理的学习，着手搭建了在时间序列预测领域广泛使用的多层感知机神经网络、循环神经网络和长短期记忆神经网络。并使用预备好的训练集进行训练、测试，得到了基于三种神经网络的超短期光伏预测模型，且比较了三种光伏功率预测模型的预测精度。结果表明长短期记忆神经网络表现最好。
　　其次，研究了一种应用在光伏功率预测领域的迁移学习方法，即对所搭建的多层感知机进行改造，具体为增加输入层和带有度量的自适应层，再利用预备好的包含有源域数据和目标域数据的训练集进行联合半监督训练，并在目标域测试集上进行测试。最后得到可以应用在目标域的超短期光伏功率预测模型，即完成了从源域到目标域的迁移。结果表明，通过所设计的迁移学习方法极大提高了多层感知机在目标域上的预测精度。
　　最后，对循环神经网络和长短期记忆神经网络按照所设计的方式进行改造和训练，得到另外两种基于迁移学习的超短期光伏功率预测模型，并对它们的预测精度进行了比较。随后利用精度最高的基于LSTM的迁移模型探讨出了源域的选取、制作训练集时所用的窗口长度和目标域数据量会对迁移效果造成影响。实验结果表明，当目标域和源域电场在气候条件和装机容量上越接近时效果越好；输入长度控制在4-7时，效果最佳；且在目标域数据量的一定限度内，迁移效果随着目标域数据量递增而递增。