随着各类减少碳排放政策的出台,光伏发电技术得到了广泛应用,在一定程度上减少了碳排放并缓解了环境危机。但光伏发电系统易受各种气象因素的影响,从而导致光伏发电输出功率具有间歇性与波动性等特点,在接入电网时会对主网造成冲击以及会给电力系统的调度带来一定的困难。而对光伏电站的输出功率进行精准的预测,能够使光伏并网时保障电网平稳运行。因此,为提高光伏功率超短期预测精度,论文利用某光伏电站的实测历史数据作了以下两个方面的研究:其一是选取光伏预测模型的输入数据。论文使用皮尔逊（Pearson）相关系数对各环境因素与光伏电站出力进行相关性分析,得到各气象因素与光伏电站输出功率的相关系数。论文使用互信息法和Cao氏法分别求解相空间的延迟时间和嵌入维数,使用小数据量法求解最大李雅普诺夫指数证明光伏时间序列的混沌特性,把原始光伏出力时间序列进行相空间重构为高维向量,挖掘数据自身所包含的各影响因子。在光伏发电功率时间序列进行相空间重构的基础上,考虑将与光伏出力相关系数强的气象因子（太阳辐照度和温度）作为附加输入因子,以进一步改善预测效果。其二是构建预测模型进行超短期光伏功率预测。由于所需气象数据难以精确获取,论文提出了一种基于混沌相空间重构和气象因子CNN-LSTM预测模型,并将其应用于光伏功率预测。在该混合预测模型中,将历史功率序列重构相空间后的高维向量以及其对应的气象因子（太阳辐照度和温度）先通过卷积神经网络模型提取数据的空间特征,再通过长短期记忆网络模型提取数据的时间特征,最后输出预测结果。为了验证所提模型的良好性能,与基于气象条件的径向基神经网络光伏功率预测模型、基于混沌相空间重构的长短期记忆网络光伏功率预测模型以及基于混沌相空间重构的CNN-LSTM预测模型进行算例对比验证。通过采用误差评价指标对算例结果进行评估,论文所提超短期光伏功率预测模型在不同天气条件下的标准化平均绝对误差减少了 12.36%、24.68%、46.02%;标准化均方根误差减少了 14.19%、22.92%、44.12%;希尔不等系数下降了 14.06%、24.25%、43.01%。表明所提预测模型方法在不同天气类型中具有良好的预测效果。