大规模的风电并网是当前新能源发展的主要方向,但由于风电的不稳定、不确定等特性,其会对电力系统正常运行及维护造成影响。为保证风电并网的安全性和稳定性,精准的风电功率预测是必要措施之一。传统风电功率预测统计模型需要大量的历史测量数据,并使用数学模型来拟合数据间的非线性映射实现风电功率预测。但其在风电输入数据信息挖掘及模型修正等方面尚有不足之处,需要进一步展开深入的研究。具体有以下几点:第一,在传统预测方法中,存在历史风电数据数量较大且维度较多导致的预测模型复杂且学习效率低的问题,对数值天气预报与功率序列的相关特征等方面尚待进一步的挖掘;第二,当选择使用复杂神经网络模型来进行风电预测时,过拟合现象会发生,从而导致模型泛化性降低;第三,对风电功率进行点值预测是当前研究的热点,而进一步研究风电功率的概率区间预测尚待进一步深入的研究。针对以上问题,本文逐步展开以下研究:首先,针对多维度的风电数据样本过大、风电功率信息挖掘难度高及模型复杂度变大等方面的问题,提出了基于综合赋权和长短期神经网络的风电功率预测方法。该预测方法中采用综合赋权法体现风电气象因素中的隐含信息,其中包括采用改进信息熵计算法和互相关分析法。进而,采用长短期神经网络（LSTM,Long and short term neural networks）接收上述处理的风电数据,并更好的处理风电时间序列中的信息,增加具体的定量分析、数据分析。然后,针对预测模型中的复杂网络易出现过拟合现象造成模型泛化能力下降的问题,通过引入SDZ（Suprisal-Driven Zoneout）方法来改进长短期神经网络中用固定概率更新神经元的不足,构建了一种基于改进LSTM的风电功率预测方法。该方法首层利用LSTM中记忆门限的功能来对输入序列的特点进行记忆并预测,第二层利用SDZ方法在原有LSTM结构基础上增加参数对记忆单元进行概率化的更新,最后加入注意力机制,进行权重比例的分配,进而构建完整的预测模型,提高预测精度。最后,针对风电功率预测中概率区间预测问题,将双向门控循环单元（BIGRU）与非参数方法中的核密度估计方法相结合,建立相应的风电功率概率预测模型。该模型通过BIGRU对风电功率预测,在得到风电功率输出结果的基础上对误差进行核密度估计,以进一步提高预测精度。通过算例验证,采用以上风电功率预测方法,可以一定程度上解决上述风电预测提出的风电数据样本过大、信息挖掘难度高、模型泛化能力下降和概率区间预测等问题,文中所提方法的可行性与有效性采用实测数据进行了验证,预测精度得到明显提高。