近年来,随着光伏装机容量的逐年提升,光伏发电在电力系统中的占比越来越高,准确有效的光伏预测结果对于电力系统的安全稳定运行具有重要意义。但由于光伏出力受多种因素影响,导致其具有较强的波动性和随机性,这为光伏功率预测带来了一定难度。传统的光伏功率预测方法适应能力不强,难以满足当下电力系统对光伏功率预测的精度和时间尺度等要求,因此,研究精确的光伏功率超短期预测方法具有重要意义。随着深度学习领域的研究不断深入,越来越多的预测方法使用神经网络建立预测模型,长短期记忆神经网络具有独特的记忆机制和良好的学习能力,在处理带有时序关联性的预测问题中表现出色。另外,光伏功率中含有多种不同时间尺度的波动规律,提取数据中的特征规律会使预测模型训练效果更为理想,预测精度提高。因此,本文结合集合经验模态分解（ensemble empirical mode decomposition,EEMD）和长短期记忆神经网络（long shortterm memory,LSTM）两种基础理论方法提出了两种不同预测形式的光伏功率预测模型。针对在气象数据匮乏的情况下光伏功率预测问题,提出了一种基于EEMD-PSO-LSTM的光伏功率超短期确定性预测方法,首先对光伏功率历史时间序列进行EEMD数据分解,提取出代表不同时间尺度变化规律的分量信号,然后分别针对各分量建立粒子群算法（particle swarm optimization,PSO）优化的LSTM预测模型并进行预测,将各分量预测值相叠加得到预测结果,最后分别以我国3个不同地区光伏电站历史数据建立对比算例,结果表明所提模型在不同功率波动特征下均能够实现较好的预测效果,对3个地区的平均预测准确度到达95%以上,明显优于其他单一模型,具有较强的适用性和精确性,且EEMD和PSO的引入有助于提高预测精度。光伏功率受周围气象因素影响较大,仅用光伏功率历史时间序列作为输入特征难以体现天气变化带来的影响,因此将电站周围的气象特征用于预测模型的输入中,并通过皮尔逊相关系数进行筛选,考虑将与光伏输出功率强相关的变量与EEMD分解后的各分量作为输入特征,然后结合分位数回归理论,建立概率区间预测模型,提出了一种基于EEMD-QRLSTM的光伏功率概率预测方法。该方法能够获得各分位点下的区间预测结果,通过算例对比得出,所提预测方法具有较高精度,结合概率预测的评价指标可知,所提预测方法可靠性和综合性能相比其他模型均有提升。