随着化石能源的枯竭和随之而来的环境污染,人们对可再生能源的需求越来越大,这就要求研究人员必须提升可再生能源的利用率。太阳能属于可再生能源其中之一,以其高普遍性、无污染性和丰富性,得到众多国家的高度重视。在此背景下,利用太阳辐射能进行发电的新型发电方式--光热储能发电诞生了。对于光热电站来说,由于太阳能的不确定性,出力波动是难以避免的,也是难以预测的。鉴于上述原因会给光热电站带来不利影响,在总结了限制光热电站出力预测的因素后,提出一种预测光热储能电站出力的方法。本文研究内容主要包括以下几点:（1）归纳总结了光热储能发电系统主要分类及工作原理。通过分析与了解光热储能电站的工作原理,得知太阳直接辐射是影响其最终出力的主要因素。然后,在上述研究的基础上,以电站出力预测为目的,利用稳态差分方程,得到了子系统间能量流的不等式和等式约束,最后搭建光热储能电站能量流数学模型。通过仿真结果得出所建立的数学模型可以较为准确地描述光热储能发电系统能量流动情况。（2）对几种深度学习的基本网络结构和训练算法作简要叙述,它们分别为卷积神经网络、长短期记忆网络和卷积长短期记忆神经网络。为解决这几种神经网络在实践中存留的预测精度不高和收敛不够迅速的弊端,结合本文研究背景和现有研究成果,引入稀疏运算和自适应思想,对上述神经网络结构和训练算法进行优化改进处理。仿真对比结果表明,改进优化后的网络有效改善了原本网络存在的不足。（3）鉴于光热储能电站出力数据相对匮乏,难以满足研究需求,提出一种结合机理建模和深度学习的光热储能电站出力预测方法。首先利用改进优化后的深度学习网络模型对聚光系统的太阳直接辐射进行预测,然后建立对太阳直接辐射的预测模型,筛选出预测效果与精度最佳的模型。其次,将太阳直接辐射的预测值带入光热储能电站的数学模型,得到电站最终出力的预测值。仿真结果表明,与另外两种神经网络相比,改进的卷积长短期记忆神经网络可以获得更准确的预测结果,证明了所提出的光热电站出力预测方法的可行性。