由于能源危机以及环境问题的不断恶化,作为可再生能源重要组成部分的风电在全球范围内越来越受到重视。但是由于风电本身存在的随机性以及波动性的特点,风电的大量并网势必会对电网的安全稳定运行造成冲击,同时影响电力系统的调度管理。风电的这些特点严重影响了风电的充分应用,造成大量的“弃风”现象,进一步影响风电的收益。为了有效、充分地应用风电,提高风电场风功率预测精度显得非常重要。因此,本文在前人的研究成果的基础上,对超短期风功率预测进行了深入的研究,提出了超短期风功率预测模型,并通过仿真实验验证了其有效性,提高了超短期风功率预测的精度。本文的主要研究工作如下:(1)分析了超短期风功率预测的关键气象影响因素。采用了既能表征线性相关关系,也能表征非线性相关关系的Copula函数进行相关性分析,以Kendall和Spearman秩相关系数作为相关性评价指标,提取出关键气象影响因子。(2)为缓解风电数据的高度随机性以及波动性给风功率预测精度带来的影响,采用MEMD算法对风功率及关键气象影响因子的时序数据进行联合分解,得出一组模态分量,最大限度地保持各模态分量中风功率分量跟关键气象因子分量的相关性,同时分解得出的模态分量相对原始数据更加平稳,表现出局部的周期性以及对称性。(3)基于CNN-GRU组合预测模型,提出了 PMCNN-BGRU超短期风功率预测改进模型。在卷积层之前加入了一层幂平均转换层来对输入数据进行非线性转换,进一步提高卷积神经网络的泛化能力。考虑到时序性数据同时具有正向以及反向方向上的依赖关系,对GRU网络的隐藏层进行了双向改进,实验结果验证了该组合预测模型能很好的提高预测精度。