随着化石能源逐年减少以及国家双碳战略的提出,新能源大规模接入电网,形成了以新能源为主体的新型电力系统。随着新能源渗透率不断增加,新能源自身的波动性和随机性导致电力系统稳定性受到影响,不能全额消纳新能源。准确的风电功率预测有助于电力系统调度部门获取风电场预出力计划,通过协调多种发电资源提高电力系统的新能源消纳能力。本文主要针对风电功率特性和风电功率预测问题展开研究,关键工作总结如下:（1）梳理了风力预测的相关基本理论知识。首先介绍了风力发电的影响因素,包含风速、高度、风向、温度及其他因素;其次介绍了几种常用的数据处理方法,分别为皮尔逊相关系数法和主成分分析方法两种数据预处理方法;最后对预测结果的评估方法进行了阐述,分别阐述了平均绝对误差、平均绝对百分比误差和均方误差。（2）针对风电功率序列自身的随机性和波动性以及在时间长度上的长依赖性,提出一种基于改进长短期记忆神经网络的风电功率预测方法。考虑到风电功率影响因素多,采用皮尔逊相关系数方法和主成分分析方法根据相关性程度对影响因素序列进行特征选取,选择相关性程度高的影响因素作为预测模型输入;基于风电功率序列存在的长依赖性,采用长短期记忆神经网络构建预测模型,同时针对预测模型关键参数随机化问题,利用布谷鸟算法对关键参数进行优化处理,以提升预测模型准确性。利用甘肃某地区风电场数据进行仿真分析,结果表明,长短期记忆神经网络可以有效预测风电功率,布谷鸟算法对预测模型的优化是明显的,预测误差降低了1.2%。（3）考虑到不同预测方法自身的局限性,提出一种基于误差修正的LSTM混合风电功率预测模型。采用非递归方式的变分模态分解对风电功率序列进行有效分解,获得多个模态分量,考虑模态分量可能存在的模态混叠现象,利用样本熵算法对分解后的模态分量进行重构;采用长短期记忆神经网络构建各模态分量的预测模型,同时引入萤火虫优化算法对预测模型关键参数进行优化处理,提升模型整体收敛速度;考虑到预测模型自身局限性,从预测误差角度出发,采用最小二乘支持向量机方法对预测误差序列进行二次预测,从而修正预测模型的风电功率预测结果。仿真结果表明,混合预测模型可以避免单一算法存在的局限性,有效提高预测结果准确性;误差修正可以改善由于预测模型架构导致的预测精度问题,进一步提升预测模型的有效性和准确性。