化石燃料的大量燃烧不仅会加剧能源短缺,而且会导致环境污染和全球气候变暖等一系列问题。太阳能作为一种洁净的可再生资源,分布广泛,储量丰富,在开发利用时不会产生污染,受到了人们的广泛关注。随着太阳能的大规模开发,光伏发电量也日益增长,在电网中所占的比例越来越大。然而,受多种因素的影响,太阳辐射容易出现波动,直接导致了光伏电站输出功率的不稳定,给电力系统的消纳能力和调度决策带来严重影响。因此,实现区域性、高精度、全时域的太阳辐射预测是准确预测光伏发电量的前提,这对保障电网的平稳安全运行和推动新能源发展具有重要意义。太阳辐射受云量、风速、温度等天气因素影响较大,尤其是太阳受到云的遮挡时地表太阳辐射会瞬间大幅下降,给准确预测太阳辐射带来了巨大挑战。为了探讨各类气象因素特别是云对太阳辐射的作用机理,获得更加精确的太阳辐射预测结果,本文结合数值监测数据和地基云图,构建了基于数值数据和基于云演变的太阳辐射预测模型,并对模型的预测性能进行了评估。具体研究内容总结如下:（1）为了充分探讨气象变量对太阳辐射的影响,提出了基于注意力机制和遗传算法的长短期记忆网络太阳辐照度预测模型（AGA-LSTM）。采用美国国家新能源实验室公开的数据,选取太阳水平总辐照度（GHI）、太阳法向直接辐照度（DNI）以及天顶角、温度、大气质量、相对湿度、云量、风速、站点气压和气溶胶光学厚度作为模型输入,利用注意力机制提高模型对重要变量的关注度,通过遗传算法自适应地优化模型参数,预测未来5、10、15分钟的GHI和DNI。实验结果表明,AGA-LSTM模型的预测效果要优于传统的预测模型。（2）针对地基云图中存在大面积遮挡区域的问题,从图像像素点值、图像感知、图像风格和图像平滑度4个角度综合考虑,提出了一种基于局部卷积神经网络的修复方法。实验结果从定性和定量角度分析表明,该方法具有比现有修复方法更好的修复效果,能够更真实地反应天空实际情况,为后续研究云演变和太阳辐射预测提供了重要数据。（3）不同类型的云对太阳辐射的衰减作用不同,根据气象云对太阳辐射衰减特性将地基云图中天空分为卷云、晴空、积云、雨云、层云五种类型,采用Res Net18网络对地基云图进行分类,结果表明整体分类准确率达到了96%以上;采用概率统计分析的方法,研究了云类型演变的统计性规律,为基于云演变的太阳辐照度预测提供了理论参数。（4）在云分类和云演变研究的基础上,结合LSTM网络构建了每种云类型演变的太阳辐照度预测子模型,根据云类型的演变概率对每个子模型分配相应权重,融合16个子模型构建了一个基于云演变的太阳辐照度混合预测模型。结果表明,相比于持续模型和LSTM模型,所提出的混合模型的预测性能更优,为光伏发电并网提供重要的数据支持。