风力发电作为优质的可再生能源,近年来在我国能源系统所占的比例也逐渐增大。风能的较大波动性给电网安全稳定运行带来巨大的挑战,准确的风电机组输出功率的预测将风能的缺点减少,更适合逐渐增加的风电并网比例,保证电力系统可以提前预防,及时调度能源。针对功率曲线拟合度差和风电功率预测准确度不高,本文提出了结合深度置信网络（DBN）和多元线性回归（MLR）的深度学习模型对风电功率进行预测。首先,针对风电机组日常统计数据的缺失和偏差问题,考虑理论风速、风向和功率数据的存在区间对不良数据进行删减,再通过相关系数矩阵法将缺失数据补充完整。针对多种数据量纲不一致产生的误差增大现象,对各种不同类型的数据使用z-score标准化将数据统一处理后输入预测模型。接着,对于功率曲线并不能完整的反映出影响功率的各种因素,产生的功率预测局限性问题,本文通过同时考虑风速、风向等数据对功率的影响,运用多元线性回归算法构建包含风速、风向与功率的最优相关性方程,寻找最优拟合解,解决了单一风速预测功率带来的局限性。最后,将多元线性回归的输出结果作为深度置信网络的最顶层构建风电功率预测模型,对此模型进行分层预训练和监督微调过程寻找和更新模型参数的最优值,对深度置信网络进行分层预训练并在最顶层加入多元线性回归最优解,构建预测模型在监督微调下达到参数最优,对某风电场风速、风向和功率进行预测,通过30秒和10分钟两组采样时间,对典型风场数据实例进行预测,结果证实了模型具有更好的拟合效果、预测精度。