风能作为一种绿色可再生能源在近些年受到了更多重视。由于受风能特性的影响,风电场输出功率具有极强的波动性、随机性和间歇性。因此,准确的风功率预测能极大程度上提高风能的利用率,并减小风电并网对电力系统的冲击。影响风电场输出功率的因素大体可分两类:一类为历史功率、风速等统计因素;另一类为风电场机组状态、风电场尾流效应等物理因素,而现有预测模型大多仅使用统计因素或没有充分利用风功率特性。因此,本文在现有预测模型的基础上同时考虑物理、统计因素,并以此建立风功率“物理-统计”混合预测模型。主要研究内容如下:（1）分析影响风功率预测的统计因素及物理因素,利用Jensen物理模型计算因风电场尾流效应所造成的风损,基于平均谱半径理论对风电场状态进行评估。通过计算风功率与物理、统计因素之间的相关性,确定最终预测时的影响因素集合。（2）为提高风功率预测精度,提出一种“功率分解-因素筛选-分量预测-分量集成”的预测流程。首先使用变分模态分解（Variational Mode Decomposition,VMD）对风功率数据进行分解,以降低风功率数据波动性对预测结果的影响。其次基于最大相关最小冗余（Max-relevance and Min-redundancy,mRMR）对各模态影响因素进行筛选,确定最终预测输入集合,以降低输入集合的维度并提高预测程序响应速率。（3）建立同时考虑物理、统计因素的“物理-统计”混合预测模型。基于卷积神经网络（TCN）对各模态分量进行预测并集成,得到风功率预测结果。（4）选取不同地形、不同排布下的风电场对本文提出的“物理-统计”混合预测模型进行多场景分析,将预测结果与单一模型及各类混合模型结果对比。所得预测模型具有更高的预测精度及更广泛的适应性。