光伏功率序列受气象扰动和运行状态变化影响，具有复杂不确定性与非平稳性，现有方法对潜在运行模式和时变依赖建模不足。为此，提出一种融合深度聚类与自适应非平稳调控的光伏功率预测方法。首先，设计基于滑动窗口的时间增强深度嵌入聚类(time-enhanced deep embedded clustering，TDEC)算法，在局部时间窗口将样本映射至低维空间，引入正余弦时间相位编码参与聚类分配，生成反映潜在运行状态的隶属度矩阵以增强输入特征的场景表达能力。其次，构建非平稳调控注意力(non-stationary regulation attention，NSR Attention)模块，基于跨尺度统计差异计算多尺度特征方差得到非平稳系数调控可变形注意力的偏移量与V分量，提高模型对局部波动和时变依赖的建模能力。最后，设计二维Kalman滤波，以预测值及变化量构建状态空间，递推修正预测序列以抑制随机扰动并保持趋势连续性。多个公开光伏数据集实验表明，相较次优模型，所提方法的MSE和MAE分别平均降低6.6%和8.1%，R²平均提高2.3%，验证了该方法在非平稳光伏功率预测任务中的有效性。