【摘要】光伏中期输出功率的准确预测可以为光伏系统的运维决策、能源招标、并网消纳等问题提供重要依据。为提高预测精度，提出了一种结合局部加权回归的周期趋势分解（seasonal-trend decomposition procedure based on loess， STL)、经验模态分解(empirical modal decomposition， EMD)、麻雀搜索算法（sparrow search algorithm， SSA）和长短期记忆神经网络（long short-term memory neural network， LSTM）的光伏中期输出功率预测模型。首先，对收集到的光伏功率历史监测数据进行数据预处理；然后，利用STL将监测的数据分解成趋势项、周期项和余项；利用经验模态分解，将余项分解得到不同特征尺度的本征模态分量（intrinsic mode functions， IMFs）和残差（residuals， RES）；通过相关性分析得到对光伏输出功率影响较大的环境影响因素，并使用麻雀搜索算法对长短期记忆神经网络进行超参数寻优，对各项分解后的数据集进行预测；叠加各个分量数据集预测结果得到光伏中期输出功率预测结果。最后，通过实例分析，将所提出的STL-EMD-SSA-LSTM模型与其它模型进行比较，结果表明，所提模型预测精度最高，验证了所提模型可有效应用于光伏中期输出功率预测。