近年来,由于化石燃料的燃烧,已经导致了很多严重的环境问题,比如温室效应、酸雨等。为了缓解环境压力和减少能源消耗,新能源的发现为人类提供了一条环保、可持续发展的光明道路。新能源主要包括太阳能、风能、地热能等,新能源发电（New Energy Generation,NEG）是利用现有技术和上述新能源实现发电的过程。新能源发电主要包括光伏发电（Photovoltaic Power Generation,PPG）和风力发电（Wind Power Generation,WPG）。为了提高新能源发电站电网的稳定性以及电站的运营管理效率,新能源发电功率预测已经成为了智能电网建设中的重要课题。光伏发电功率预测（Photovoltaic Power Forecasting,PPF）对于智能电网的建设具有重要的意义。针对光伏功率预测问题,本文提出了一种基于时间卷积神经网络（Temporal Convolutional Neural Network,TCN）和长短期记忆神经网络（Long and Short-Term Memory Neural Network,LSTM）相结合的混合深度学习框架（Conv-LSTM）,对超短期光伏发电功率进行预测。本文对真实光伏发电数据集进行了综合实验,采用了三个误差指标来评价Conv-LSTM模型的预测性能。Conv-LSTM模型在MAAPE评价指标上,比LSTM提升了6.90%;在RMSE评价指标上,比MLP提升了11.45%;在MAE评价指标上,比CNN提升了9.43%。与其他模型相比,Conv-LSTM模型对光伏功率提高了预测性能。风电功率预测（Wind Power Forecasting,WPF）是解决风电不确定性和波动性的最有效、最经济的方法之一。针对风电功率预测问题,提出了一种基于离散小波变换（Discrete Wavelet Transform,DWT）、时间卷积神经网络（TCN）和长短期记忆神经网络（LSTM）的混合深度学习模型框架（DWT-TCN-LSTM）用来进行超短期风力发电功率预测。通过实验结果对比,DWT-TCN-LSTM模型在RMSE评价指标上,比SVR提升了5.10%;在MAE评价指标上,比LSTM提升了20.75%;在SMAPE评价指标上,比TCN-LSTM提升了10.14%,因此DWT-TCN-LSTM模型的预测性能相对于其他模型得到了显著提高。