目前风能是一种重要的清洁能源来源,但风能本身的随机性、波动性和间歇性导致了风力发电具有较高的不确定性。风能的这一缺点对将大规模风能集成到现代电力系统中的尝试带来了严峻的挑战。准确的风电功率预测是保证电力系统稳定运行、促进风能消纳的基础之一。本文在影响超短期风电功率预测的因素的基础上研究建模方式、预测策略。在获得确定性预测结果后对预测误差场景划分、时空相依性、概率预测等内容展开研究。首先,从影响超短期风电功率预测精度的几个方面入手对于数据处理、预测策略、预测模型以及可预测性这四个重要环节对超短期风电功率预测的影响进行了系统性的分析与总结。利用中国内蒙古自治区某风电场的数据,进行了定量与定性的研究。其次,针对目前超短期功率多步预测造成误差递增的问题,提出了一种的新的预测策略。现有研究的风电功率预测模型并不能有效地提取高维输入中的有效信息,且由于预测步长的增加,会影响预测精度。为了解决预测模型不能有效地呈现高维输入数据中的信息,减少由于多步预测造成的误差问题,本文提出了一种结合集成学习和机器学习先验知识的新预测策略。将该预测策略应用于中国三个不同省份的风电场,验证了预测策略的有效性。再次,由于风电功率确定性预测的误差无法避免,概率预测可以充分描述风电功率的不确定性,进而对调度部门的决策提供进一步指导。尤其针对超短期这一特定时间尺度,当前的概率预测方法对风电功率的物理变化过程挖掘仍不完整。因此本文提出了一种结合功率波动过程的超短期风电功率概率预测新框架。定义了一种风电功率序列的波动过程,构建了风电功率波动过程的聚类划分方法。针对多个波动过程,搭建了针对超短期时间尺度的分位数回归森林概率预测模型。最后,为了进一步量化超短期风电集群功率预测的不确定性信息,探索时空特征,分析误差特性。预测误差本身具有时序演进特性,还与各场站地理位置相关,具有空间上的联系,使得预测误差特性更加复杂多变,难以定性分析。在确定性预测结果基础上,通过分析功率预测的主导因素,建立考虑预测误差时空相依性的高维概率分布模型,阐释多场站之间预测误差传播机理,揭示多场站预测误差的时空特性。进而利用时空相依性设计了一种图卷积神经网络,提取时空特征并进行概率预测。算例证明本文的方法能够更加有效的反映风电功率的不确定性。