随着全球能源逐渐紧缺,类似于太阳能等清洁能源受到各国青睐,大规模光伏发电站并入电网已然是大势所趋。然而,光伏发电易受温度,湿度,地理位置等因素影响,具有波动性与时序性的特点,大规模的光伏发电站并网会给大电网带来大量不稳定的因素,配电网的潮流分布变得更加复杂,配电规划难度提升,给电力调控部门带来巨大的工作负担。因此,精准的预测光伏发电功率是光伏发电站并入大电网稳定运行的重要保障,具有重大的研究意义。本文在研讨国内外相关文献的基础上,主要做了以下工作。首先,对某光伏发电厂的光伏发功率以及气象等数据进行数据分析（EDA,Exploratory Data Analysis）处理,探索各数据特征之间的相关性,例如光伏发功率与温度,湿度,光照强度等之间的相关性,筛选出与光伏发功率相关性高的特征做为预测模型的输入数据,来达到提高预测准确率的目的。并且对EDA数据分析后的数据集进行归一化处理,使得特征之间的差异尽可能减少。其次,分别改进现有的长短记忆神经网络（LSTM,Long Short-Term Memory）为双向门循环神经网络（BiGRU,Bi-Gated Recurrent Unit）,卷积神经网络（CNN,Convolutional Neural Networks）为文本卷积神经网络（Text CNN,Text Convolutional Neural Networks）,其输出结果作为数据的新特征输入至极限梯度提升决策树（XGBoost,Extreme Gradient Boosting）模型中,形成Stacking思想相结合的Bi GRU-Text CNN-XGBoost预测模型,极大程度上解决了由于数据的时序特性所带来的预测结果欠拟合问题与模型训练中出现的梯度爆炸或梯度消失等问题。最后,基于Python以及V100服务器对晴,雨,阴,雾,冰雹,雪六种天气分别建模,采用5折交叉法进行模型训练,并与CNN,LSTM,BiGRU,Text CNN和CNN-LSTM-XGBoost五种光伏发电功率预测方法进行实验对比。实验结果表明,BiGRU-Text CNN-XGBoost模型能大幅度提高光伏发电功率预测的准确率,具有较强的泛化能力,鲁棒性和可操作实际意义。