随着风力发电技术的日趋成熟,越来越多的风电场加入了并网系统。为了保证风电场在并网过程中能够平稳运行,同时增加风电场的经济效益,本文的研究内容主要针对风功率曲线建模、风速多步预测和风电机组经济调度开展,具体工作如下:（1）基于数据的风功率曲线建模。首先,根据实测数据的密度分布特性,本文提出基于DBSCAN算法的数据预处理方法,筛选出真实可用的有效数据;接着,使用比恩法获取有效数据中的风速-风功率数据点,使用三次样条插值法进行风功率曲线建模;最后,本文使用核密度估计函数对风功率曲线进行不确定性分析,增加风功率曲线建模的可用性。利用某风场运行的SCADA数据进行实验,结果表明:使用DBSCAN算法能够识别出噪声数据,留下真实可用的数据;使用核密度估计对风功率曲线进行不确定性分析,有效给出不同置信水平下的风功率曲线估计区间。（2）基于误差补偿的风速多步预测。首先,本文基于自相关性分析确定输入预测模型的时间序列长度;接着,本文提出一种基于误差补偿的风速预测模型,先用LSTM模型进行初始风速预测,再用GPR模型拟合初始风速预测值和风速真实值之间的误差,对初始风速预测值进行补偿;最后,本文提出针对每个预测步长训练一个预测模型,来缓解使用单个预测模型进行风速多步预测的叠加误差。利用某风场运行的SCADA数据进行实验,结果表明本文所述的方法能够在提升单步预测精度的基础上,进一步提升风速多步预测的精度。（3）基于风功率预测的风电机组经济调度。首先,本文通过分析自然环境下风速的威布尔分布,建立基于预测风功率的风力发电成本模型;接着,考虑到风速的间歇性与波动性,风力发电具有一定的不确定性,本文使用变异系数量化风功率预测的不确定性,灵活调整风电机组的运行约束极限;最后,使用Q-学习算法对本文提出的风电机组经济调度模型进行优化求解。利用某风场运行的SCADA数据进行实验,算例验证了本文所述的风电机组经济调度模型的有效性。