风能的强随机性、大波动性对大规模风电并网运行带来挑战,超短期风电功率的准确预测对于优化机组运行与调度至关重要。本文通过对实际风电机组监测数据的分析,挖掘不同影响因素与风电功率预测之间的相关性,基于风电功率变化特征,研究超短期风电功率预测方法,进一步提高风电功率预测的准确度。针对风电机组监测数据中包含多个相互关联参数呈现出的信息冗余问题,在对决策树、L1正则化和递归特征消除这三种典型的特征选择方法进行分析的基础上,提出一种基于多信息度量融合（Multi-information metrics fusion,MIMF）的风电功率预测特征选择方法。多种预测算法的仿真结果表明,和采用单一特征选择方法相比,该方法可以有效提高风电功率的预测精度。为利用风电功率内在的时间序列特征,在基于MIMF对监测数据进行特征选择的基础上,设计了基于长短期记忆（long short-term memory,LSTM）网络的超短期风电功率预测方法,以利用长时间跨度风电机组监测数据蕴含的内在特征,对历史数据进行更充分地训练学习。在某风电场一年的历史数据上进行了仿真分析,结果表明,与广义线性、深度学习、决策树、随机森林、梯度提升树和SVM六种预测模型相比,MIMF-LSTM模型在测试集上的预测准确度更高。风能的间歇随机波动特性决定了风电机组监测到的历史数据是一系列非平稳、非线性的序列,单一模型制约了预测精度的进一步提高。为改善预测模型精度,提出一种基于经验模态分解（empirical mode decomposition,EMD）的建模方法MIMF-EMD-LSTM,采用EMD算法将包含复杂变化的风电功率序列分解为多个相互独立、更具规律性的本征模态,针对每个模态分量分别建立相应的预测模型,通过将多个预测结果进行重构得到最终的风电功率预测结果。在真实风电场数据上的仿真结果表明,和MIMF-LSTM模型相比预测结果有进一步改善,模型预测性能指标有综合提升,更有利于风力发电的大规模并网。