为了提高光伏功率预测的精度，提出了一种基于时序卷积网络（temporal convolutional network，TCN）的新型短期光伏功率区间预测模型。首先，采用深度残差收缩网络（deep residual shrinkage network，DRSN）的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力，并削弱冗余特征的不利影响；然后，利用樽海鞘群算法（slap swarm algorithm，SSA）对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优，以克服原TCN感受野不足的问题；接着，采用核密度估计（kernel density estimation，KDE）方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析，获得模型预测输出的区间。最后，通过对比仿真实验得到的结果表明，提出的SSA-DRSN-TCN模型的RMSE平均值为0.27，优于LSTM、GRU、CNN-LSTM和TCN等模型；而且，KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间，验证了所提模型在提高光伏功率预测性能上的有效性。