针对传统光伏发电功率预测方法难以兼顾精度和鲁棒性的问题，考虑不同天气条件下光伏发电功率的相似性，提出了一种基于相似日理论和长短期记忆网络的多层感知机混合网络模型(Multilayer Perceptron-Long Short-Term Memory Network

MLP-LSTM)。通过计算多因素之间的相关性，筛选出影响光伏发电功率的关键气象因子；采用基于功率衍生特征的K-DTW(K-Dynamic Time Warping)组合聚类方法对不同日功率场景进行聚类，并针对不同功率特征场景利用K-MLP-LSTM模型进行多次预测。最后以平均绝对误差、均方根误差和拟合系数评估指标对预测结果进行评价。基于华东地区某光伏电站实测数据的分析结果表明：依据不同功率波动特征日划分的3类天气场景，其预测均方根误差分别为1.963 695、3.264 761、2.141 491

与单一预测方法相比，所提功率预测方法的均方根误差最大降低42.17%

具有更高的预测精度。