风电功率具有波动性的特点,其大规模并网容易导致整个电网的稳定性大大降低。风电功率的预测及爬坡分析可以对未来的风电功率及爬坡情况进行提前预测与分析,为调度的提前规划与控制做参考,从而有效预防由于风电功率波动造成的电网稳定问题。因此研究如何提高风电功率预测的准确率以及怎样识别与分析爬坡事件对风电的进一步发展有着重要意义。以某风电场为例,首先进行数据分析和清洗,基于拟合回归法、深度置信网络(DBN)、BP神经网络、支持向量机、Elman神经网络五种统计学习方法对其风电功率进行一次预测建模,对比分析不同算法间的预测效果及优劣性。针对五种预测模型的不足之处,在一次预测的基础上,基于相似时刻的分析,分别利用聚类法、中位数法和回归拟合法对一次预测误差进行特征分析,提出了一种新的偏差修正算法。该方法结合上述五种风电功率的一次预测模型,构建基于偏差修正算法组合模型的风电功率二次预测过程,研究结果表明:偏差修正算法能够很好的修正一次预测误差,提高二次预测精度;但是在高风速段现有模型的预测精度差。针对现有风电功率预测模型在高风速段普遍存在功率预测精度差的问题,提出一种风电功率爬坡段识别方法。首先分析比较了现有的爬坡事件识别方法,针对旧识别方法难以区分功率爬坡区间与平缓区间的问题,引入了“驻点”的概念,提出了“爬坡段”的新定义;针对爬坡阈值的设置经验化的问题,利用数理统计的方法讨论了爬坡阈值的设定;提出了极值提取算法,并构造了基于极值点提取的风电爬坡段识别模型。通过对实际风电场爬坡段的爬坡幅度、爬坡速率以及持续时间进行特征分析,验证了基于极值点提取的风电爬坡段识别方法的有效性与实用性。