太阳能作为一种储量丰富、清洁安全的可再生能源,被广泛关注。目前,光电的发展与利用成为其重要的开发方向。近年来,随着全球光伏发电装机量的提高,并网光伏发电量也在快速增长。然而,光伏发电的输出功率具有间歇性和波动性,当光伏并网发电量超过一定的比例时,波动的光伏出力会对电力系统的稳定、安全运行及电能质量带来严重影响。造成光伏输出功率的随机性和波动性的主要因素是太阳辐照度的不确定性,因此,准确预测光伏电站可接收的太阳辐射是一个迫在眉睫的任务,是光伏并网系统安全稳定的前提,对电网调度决策具有重大意义。然而,太阳辐射由于受云量、气溶胶厚度、湿度等各类气象因素的影响,特别是云运动造成的遮挡,导致其波动性大、随机性强,使得传统的时间序列预测方法或机器学习模型难以获得很好的预测效果。为了获得准确的超短期太阳辐照度,本文基于单数值、多数值以及结合云图三种不同监测数据,分别构建了多种预测模型,探讨了不同输入以及所构建模型在预测超短期太阳辐射方面的作用和预测性能。具体研究内容如下:（1）首先,针对在晴空情况下太阳直接辐照度（DNI）会随着太阳与观测站点的距离变化而不断变化的问题,利用基础晴空模型将预测目标DNI转化为晴空系数,消除太阳位置变化造成的预测误差。然后,以晴空系数这一单变量作为研究对象,分别构建了支持向量回归、多层感知器、极限学习机以及长短期记忆网络四个预测模型,根据BIC信息准则确定各预测模型的输入维度,采用美国国家新能源实验室网站公开数据训练并测试预测模型。实验结果表明,长短期记忆网络模型在超短期DNI上的预测效果相对最优,为后续改善模型和提高预测精度奠定基础。（2）从太阳辐射传输过程,探讨了影响DNI变化的多种气象因子,并选定气溶胶光学厚度、大气质量、相对湿度、温度、气压、云量、风速、反照率以及晴空系数共九项多数值变量共同作为模型输入,同时基于上述最优模型,提出了卷积-双向长短期记忆网络模型（CNN-Bi-LSTM）。该模型通过一维卷积神经网络对上述9项不同类型的影响因子数据序列进行数据空间维度的融合与特征提取,通过Bi-LSTM层完成时间维度的特征提取,从而提高了未来10分钟DNI的预测精度。（3）考虑到云这一气象因素是引起DNI突变的关键变量,而单一数值云量数据并不能全面的反映云信息,故在数值输入的基础上,结合地基云图补充气象云信息,提出了孪生卷积神经网络-长短期记忆网络模型（Siamese CNN-LSTM）。该模型首先利用Siamese CNN部分提取多幅连续时刻云图的特征,然后通过融合层融合数值数据与云图数据的特征,最后LSTM部分提取融合特征的时间维度的特征并预测未来10分钟的DNI。实验对比分析多种预测模型,结果表明所提模型在预测未来10分钟DNI尤其是阴天和雨天上,取得了优于其他对比模型的预测性能。