近些年来,分布式光伏作为一种新的太阳能利用方式,发展速度迅猛,在电力系统中,分布式光伏的渗透率逐年升高,总装机容量迅速增多。然而,分布式光伏受天气变化、云层飘移以及地球自转等因素的影响,具有明显的随机性和间歇性,给电力系统带来巨大挑战。精准的分布式光伏功率预测,有助于减小光伏出力的不确定性,为安全、经济的电网调度带来助力。同时分布式光伏具有数量多、容量小、分布广等特点,并且一般没有气象测量装置,数据信息匮乏,同时部分分布式光伏电站无功率记录数据,这些因素大大增加光伏出力预测难度,针对上述问题,本文开展了如下研究:首先对于分布式光伏的数据情况进行了具体介绍,并提出了基于空间相关性的分布式光伏功率数据重构方法。针对四类分布式光伏缺失状况,利用神经网络、迁移学习等方法进行分布式光伏功率数据重构研究,对于第一类少量数据缺失电站,利用长短期记忆神经网络（Long Short-Term Memory,LSTM）建立空间映射模型,实现功率补全;对于第二类大量缺失数据或新建电站,建立深层神经网络模型,利用迁移学习思想,实现功率重构;对于无功率数据且存在相似电站的第三类电站提出了模型迁移法;对于无功率数据且不存在相似电站的第四类电站提出了电量折算法,以实际电站进行实证仿真,得出功率重构结果并与其他方法进行了对比分析。然后针对分布式光伏超短期功率预测,提出基于多位置NWP和组合神经网络的分布式光伏超短期功率预测方法。获取多个邻近集中式光伏电站的数值天气预报（Numerical Weather Prediction,NWP）信息,作为一维卷积网络（1D Convolutional Neural Network,1DCNN）的输入,进行空间相关性气象预测信息提取;并结合1DCNN数据空间重构能力信息提取能力以及LSTM对功率序列数据的深度挖掘能力,提取时间序列的波动变化信息,进行时间序列预测;将两种预测信息通过全连接神经网络对进行学习并得到最终预测结果,实现分布式光伏功率超短期预测。以实际光伏电站实测数据进行预测验证,并与多种方法进行对比分析。最后,提出了一种基于多源预报动态聚类的分布式光伏集群短期功率预测方法。首先对地区公共天气预报进行统计编码,将公共预报编码与NWP气象预报数据结合,同时为防止出现数据淹没现象设计了改进自编码器,进行特征提取,然后利用自组织映射网络（Self-Organizing Map,SOM）进行预测日动态聚类集群划分,将集群作为预测对象,利用LSTM网络进行预测,并将集群功率数据累加,实现区域分布式光伏短期预测,并以实际功率数据进行仿真实验,并与多种预测方法进行了对比。