实现“碳达峰、碳中和”已成为世界各国的共同目标,并且是未来的能源大趋势,提升可再生能源发电比例则是持续推进碳减排的重要方式和决定性因素。而高比例可再生能源的快速发展给电力系统带来历史性机遇的同时也带来了全新的问题与挑战,由于风能自身所固有的间歇性、随机性和波动性极大,全国范围内的风电场的消纳形势异常严峻,现有区域有功调度控制尚未真正支撑风电消纳水平的提升,风电功率超短期预测和可用发电功率计算的精度不足以支撑区域有功调度控制策略的优化。因此,如何在风力发电快速发展的背景下提升风电功率超短期预测和可用发电功率计算的精度,已成为现阶段需要重点研究解决的问题,当下以深度学习为代表的新兴技术的涌现为这一实际问题的解决提供了新方法和新思路。基于以上背景,本文首先针对异常数据辨识问题进行研究,并将处理后的数据作为后续模型的输入数据;然后,针对风电场可用发电功率计算问题,在研究发电工况和站内损耗的影响后建立了基于长短期记忆网络（Long Short-Term Memory,LSTM）的风电场可用发电功率计算模型;最后,针对风电功率超短期预测问题,在研究了风电功率特性的基础上提出了基于LSTM和图卷积神经网络（Graph Convolutional Network,GCN）的、考虑时空相关性和站内损耗的风电功率超短期预测模型。本文具体工作内容如下:（1）通过对单机信息系统的风电机组风速、功率数据进行分析,根据异常数据在曲线上的分布特征及其产生原因将功率异常数据分成三类:底部堆积型、中部堆积型和分散型异常数据。为准确辨识出各类异常数据,本文提出了基于逻辑（规则）判断、Thompson tau和四分位法组合的功率异常数据辨识方法,其中,基于逻辑（规则）判断的异常数据辨识方法主要适用于辨识底部堆积型数据,基于Thompson tau和四分位法的异常数据辨识方法主要适用于中部堆积型和分散型异常数据辨识。采用所提方法对某实际机组的异常数据进行辨识,有效地辨识出了功率异常数据。（2）基于预处理后的数据,建立了基于长短期记忆网络的单机理论功率计算模型,在此基础上提出了考虑发电工况和站内损耗的风电场可用发电功率计算方法。首先,基于皮尔逊相关系数筛选出风电机组理论发电功率的关键历史时刻,以此为依据设计出单层LSTM风电机组理论发电功率计算模型。然后,针对风电机组发电工况进行研究,详细分析了不同工况下的风电机组可用发电功率。之后根据风电场的一次系统图和风机地理布置图,建立了风电场站内损耗的简化等值电路模型。最后,在以上工作的基础上实现了风电场可用发电功率的计算,案例分析结果表明:本文所提风电场可用发电功率计算方法的均方根误差仅为1.32%,显著低于传统计算方法。（3）基于LSTM和GCN,提出了一种考虑时空相关性和站内损耗的风电功率超短期预测模型。首先,利用Spearman相关系数法筛选出了风电功率的关键影响因素、分析了风电功率的时序相关性和风电场内风电机组之间的空间相关性。然后,利用LSTM提取风电机组时序特征信息、GCN提取空间特征信息并解决站内损耗问题,建立了考虑时空相关性和站内损耗的风电功率超短期预测模型。最后,案例分析表明该模型能够有效的完成风电功率的超短期预测,其准确率和合格率分别达到88.38%和97.15%,显著高于BP（Back Propagation）神经网络模型。本文研究的相关研究成果将有利于国家电网公司调度部门的在线调度和直调风电AGC系统策略的优化,促进新能源消纳,减少电力行业的碳减排,助力我国“双碳”承诺的实现。