时间序列数据广泛存在于各个应用领域，其预测一直是研究的热点问题。时间序列预测方法的核心就是从数据序列中挖掘出变化规律，并对将来的数据做出估计。随着数据挖掘和机器学习方法的迅速发展，时间序列的预测方法也越来越多，越来越先进。然而每一组时间序列数据都有其独特的变化规律，因此预测方法不具有通用性。针对每类时间序列数据集的特点采用相应的数据处理和预测方法，可以提高预测精度。风速和辐照度时间序列是新能源领域中典型的时间序列数据，对风力和太阳能发电有着极其重要的影响。论文针对风速和辐照度时间序列数据的特性，对其短期预测问题进行了研究和讨论。其主要工作及创新点如下：
　　（1）针对风速时间序列数据量大的问题，提出两种具有样本选择主动学习策略用于风速短期预测。所提出的方法结合样本信息和模型信息，利用主动学习策略优化训练样本集。采用风电场实际风速数据进行实验验证，结果表明提出的两种主动学习算法能有效地优化样本，在降低模型的复杂度的同时，能够保证风速预测模型的精度。
　　（2）针对风速数据慢时变的特点，提出了一种高斯过程和无迹卡尔曼滤波相结合的混合非线性估计方法用于处理动态变化，提高预测精度。所提出的方法采用无迹卡尔曼滤波求解高斯过程模型建立的非线性状态空间方程，该方法能同时提供风速的点预测和概率预测。为了评估所提出方法的性能，以三个不同风电场的风速数据为研究对象进行实验，结果表明所提出的方法在点预测和概率预测的精度上都有进一步的提高。
　　（3）针对太阳直接辐照度受到的影响因素较多的问题，提出了一种结合实时晴空模型和云量的直接辐照度短期预测方法。理论晴空辐照度是直接辐照度预测时的重要参照量，通过识别晴空点来实现Linke系数的实时调整，从而获得更精确的理论晴空辐照度。然后利用历史直接辐照度，云量和理论晴空辐照度建立短期预测模型，采用公开数据库提供的数据进行实验。结果表明，所提出的方法可以提高直接辐照度的预测精度。
　　（4）针对如何提取有效的全天空图像特征用于直接辐照度预测，提出了一种基于深度学习算法自动特征提取的预测模型。首先采用3D卷积神经网络处理多个连续的地基云图图像，自动提取云图的纹理和运动信息，然后结合自动提取的云图特征、理论晴空值和直接辐照度时间序列建立直接辐照度预测模型。实验结果表明，3D 卷积神经网络自动提取的云图特征能很好的表征辐照度的衰减，通过添加云图特征作为模型输入，有助于提高直接辐照度的预测精度。
　　（5）针对直接辐照度预测模型多类型特征输入融合的问题，提出了基于混合模糊化的模型用于直接辐照度短期预测。图像特征和辐照度数值时间序列共同作为预测模型的输入有利于提高预测精度，所提出的模糊推理树和自适应神经模糊推理系统模型，利用混合模糊化可以克服不同量纲的多类型特征融合问题。实验结果表明，混合模糊化相比简单的归一化处理更有效，基于多类型特征融合的模糊预测模型能够进一步提高预测精度。