为了减少气候变化和全球变暖对环境的影响,可再生能源的使用正迅速增加。在过去的十年中,可再生能源生产出大量的电力。在主流可再生能源发展的历史中,光伏发电的发电量经历了巨大增长。由于政府和国际组织的政策变革,未来光伏系统的规模将会迅速扩大。然而,光伏发电的多变性会对电网系统的稳定性、可靠性和运行规划等问题产生负面影响。由于资源的间歇性特点,来自不同资源的可再生能源种类与其动态变化有关。为了应对未知且随机情况,有必要提高太阳能发电量的预测精度。在本文中使用深度学习模型中的长短期记忆（LSTM）神经网络来预测光伏功率。在处理大数据时,本模型具有发展关系的能力并且能够处理长期依赖关系。本文的主要工作如下:第一,详细论述了对太阳能光伏发电量预测的概念,提出了基于不同时间、不同历史数据和不同技术的分类方法。此外,本文还介绍了太阳能预测与标准化性能度量的主要内容以及与电网稳定性相关的主要问题。第二,详细论述了 LSTM模型的基本结构和工作原理及。此外,还介绍了用于光伏发电功率预测的人工神经网络（ANN）模型的工作原理。第三,对LSTM-NN模型在光伏发电量预测中的预测结果进行了分析。具体来说,利用包含了基本气象参数的数据集对LSTM模型进行训练,并给出了模型的计算结果。为了提高预测精度,还将采集的数据通过归一化和线性插值等手段进行预处理。本文还计算了预测结果的RMSE值进行误差分析。结果表明,LSTM-NN在性能表现及预测精度上优于其他机器学习模型。