光伏发电功率受气象因素的影响,呈现出不稳定性和间歇性,准确预测光伏功率有助于实现大规模并网并保障电网的稳定运行。本文以DKASC Solar Centre光伏电站数据为研究对象,提出一种基于气象相似日的变分模态分解算法、长鼻浣熊算法和双向长短期记忆神经网络(VMD-COA-BiLSTM)的光伏功率短期预测模型。针对光伏数据的复杂非线性特征、噪声干扰以及高维特征等问题,通过K均值聚类将数据划分为三种天气类型,增强模型映射能力;利用VMD将聚类之后的原始信号分解,采用中心频率法确定最佳模态数,充分提取集合中的输入因素信息,提高数据质量;将分解后的各分量分别输入BiLSTM网络进行预测,采用COA优化BiLSTM的超参数配置,实现不同天气类型下的光伏功率的准确预测。实验结果表明:本文提出的模型相比于COA-BiLSTM模型,在晴天、多云和阴雨天的RMSE分别降低了35.24%、45.54%和42.88%。