风能是绿色能源也是可再生能源,风能的发展既满足了各国日益增加能源需求,又解决了使用传统能源导致的大气污染、生态破坏、能源枯竭等问题。由于风力发电并不稳定,具有随机性和波动性,大规模并网运行会破坏电网的安全性、可靠性、稳定性和经济性。为了降低风电的非平稳性对电力系统运行造成的不良影响,采取风电预测技术,预测未来一段时间的风电输出,可辅助电网优化调度。准确的预测可以显著增强电力系统的安全性、稳定性、经济性和可控性。由于风电信号的非平稳性和预测模型的不稳定性,当前超短期风功率预测准确率依旧难以满足风电场和电网实时调度的需求。为提高超短期风功率预测精度,从风电信号分解处理和风功率预测模型两个方面,对超短期风功率预测方法进行改进,主要研究内容及结果如下:（1）为了降低风电复杂的非线性信号对预测结果的影响,采用信号分解算法处理风速和风电功率信号。为了避免经验模态分解出现的模态混叠问题对预测结果造成影响,以及集合经验模态分解加入的白噪声对预测结果的影响,使用改进的完备总体经验模态分解把复杂不平稳的风速和风电功率信号分解成一系列不同频率的子序列。使用样本熵量化子序列复杂度。为了进一步降低改进的完备总体经验模态分解产生的高频子序列对预测结果的影响,使用小波包分解进一步将高频子序列分解成若干子序列。实验结果表明,在相同预测模型下,与EEMD分解相比,使用ICEEMDAN分解的MAE降低了15.85%左右,MSE降低了8.96%左右,RMSE降低了8.94%左右,训练时间增加了1199.491s。改进的完备总体经验模态分解可以提高模型预测精度。使用小波包二次分解高频子序列,在相同预测模型下,MAE降低了50.80%左右,MSE降低了45.74%左右,RMSE降低了45.68%左右,训练时间增加了1633.599s。（2）为了充分提取风电数据的隐含特征和时间相关性,采用卷积神经网络和门控循环单元建立预测模型,基于风速子序列、风向子序列和风电功率子序列进行预测,使用卷积神经网络挖掘风速子序列、风向子序列和风电功率子序列之间的耦合特征,提高模型预测精度。实验结果表明,在相同数据下,CNN-GRU模型与CNN模型、BP模型的预测结果相比,CNN-GRU模型MAE降低了19.77%和48.51%左右,MSE降低了16.44%和44.87%左右,RMSE降低了16.41%和44.88%左右,训练时间增加了510.703s和902.401s。对比其他网络结构不变时,采用不同卷积层的模型预测误差和训练时间,采用五层卷积时,时间最长为1876.327s,五层卷积与二层卷积、三层卷积、四层卷积的预测结果相比,MAE降低了64.97%、35.36%和50.54%左右,MSE降低了61.71%、26.13%和44.21%左右,RMSE降低了61.69%、26.08%和44.23%左右,训练时间增加了1198.202s、922.745s和861.973s。该研究表明,ICEEMDAN-SE-WPD-CNN-GRU模型可以较高精度对超短期风电功率进行预测,相关研究结果可为风电信号预处理方法和风电功率预测的深度学习模型架构搭建提供参考。