随着光伏发电在全国发电量的占比不断增加,光伏发电预测的精度将直接影响光伏发电并网的策略和可行性。但由于光伏发电功率具有周期性和间歇性,常规的预测方式往往与实际结果出入较大,且光伏电池存在着受天气因素影响大、转化效率低等缺点。如果未经处理就将光伏发电并入主电网,很容易对电网造成强大的冲击,影响电网的稳定运行。因此对光伏发电功率进行准确预测是减少对电网不利影响的重要前提,可以提高光伏发电的可预测性。若无法较为准确的对发电功率进行预测,不仅会造成光伏发电低效性,还会为并网运行带来难题,影响光伏发电并网的可行性。本文从太阳能与传统能源的对比出发,探讨了利用人工智能算法来改善光伏能源的可靠性,同时将神经网络与传统的光伏发电预测方法进行了对比分析。本文深入研究这些算法的工作原理,以及它们在近年来的应用,探讨利用人工智能算法来改善LSTM神经网络,通过使用逃逸鸟算法（EBS）来构建更加准确的预测模型。为了应对光伏发电的时间变化以及其带来的不确定性,采取了一系列措施来优化LSTM算法,根据往期的参考文献设置参数,以及构建逃逸鸟算法（EBS）来优化注意力机制（Attention）长短期记忆神经网络（LSTM）组合算法模型。使用澳大利亚DKA yurala光伏电站的原始数据,并对数据进行了甄选、填补和归一化处理,从而有效地减少由于缺失或极端值的干扰而造成的偏差,同时使用Pearson（皮尔逊相关系数法）对影响光伏发电功率的因素进行特征分析,选取6个相关性强的因素作为模型的输入,提高模型预测的准确度。本文建立了EBS-Attention-LSTM组合算法模型对光伏发电功率进行预测,同时分别使用传统LSTM、EBS-LSTM和Attention-LSTM神经网络进行了仿真验证对比实验。同时建立了EBS-BP算法模型,并分别使用传统BP（误差反向传播）神经网络和GA-BP（遗传算法-误差反向传播）算法进行了仿真实验验证并进行对比。仿真结果显示,EBS-BP神经网络的RMSE均方根误差要比单一的BP神经网络、GA-BP神经网络的RMSE低4.3、1.3,相比下降约52%、26%。可以看出EBS算法在对BP神经网络进行优化时展现出良好的预测效果,有效的提高了预测精度,与GA算法相比也展现出更加优越的优化效果及更加准确的预测效果。EBS-Attention-LSTM相比EBS-LSTM、Attention-LSTM、LSTM的RMSE分别下降3.2、1.2、7.4相比下降55%、32%、74%。可以得出EBS-Attention-LSTM在此次预测中相比上述3种模型的精度更高,预测效果更好,证明其算法模型组合的有效性。并根据分析结果提出的两种算法模型改进的研究方向。