实现“碳达峰、碳中和”已经成为中国重要的战略目标,提高以光伏发电为代表的可再生能源发电比例是推进碳减排的重要途径。近年来光伏发电的快速发展给电力系统带来机遇的同时也带来了挑战,由于光伏发电具有波动性和间歇性,因此提高光伏功率预测的精度,对保障电力系统运行的稳定性和提高电能质量具有重要意义。现有的光伏功率预测方法大多局限于采用单一的预测模型,导致模型的泛化能力有限,或者采用简单的算术平均对预测模型进行组合,缺乏足够的理论支持。针对上述问题,为进一步提高光伏功率预测的精度,本文基于学习机制对光伏功率短期预测展开研究,主要研究内容如下:（1）针对光伏功率预测中出现的波动性和随机性问题,提出了一种基于自适应噪声完备集合经验模态分解和鲸鱼优化算法改进双向长短时记忆网络参数的预测模型。该模型利用双向长短时记忆网络同时提取前、后向数据的特征信息,实现了前后数据的联动。此外,该模型针对光伏功率波动性和随机性大的特点,采用自适应噪声完备集合经验模态分解,将光伏功率序列分解为频率互异的子模态序列,使用鲸鱼优化算法改进双向长短时记忆网络的参数,建立光伏功率短期预测模型。仿真结果表明所提模型的泛化能力更强,拟合度更高。（2）针对双向长短时记忆网络循环结构无法并行训练的问题,提出了一种基于经验小波变换和鲸鱼优化算法改进随机森林参数的光伏功率预测模型。该模型利用经验小波变换将光伏功率序列分解成具有特征差异的小波分量,采用鲸鱼优化算法改进随机森林算法的参数选择,使用随机森林进行预测。最后,与其他光伏功率预测模型进行对比,验证了所提出的光伏功率预测模型具有更高的预测精度。（3）单一模型已不能满足预测精度的要求,为了进一步提高模型的预测精度和鲁棒性,提出一种基于多目标蝗虫优化算法的光伏功率组合预测模型。使用经验小波变换对数据进行分解,分别建立双向长短时记忆网络、随机森林和最小二乘支持向量机三种预测模型,采用鲸鱼优化算法改进三种模型的参数选择,最后使用多目标蝗虫优化算法优化单个模型的权值。仿真实验结果,和单一预测模型相比,组合模型具有更高的稳定性和预测精度。