近年来,随着传统化石能源逐渐枯竭,以及环境污染问题的凸显,使得新能源受到各国的青睐。我国对风能资源的开发和利用虽然起步较晚,但发展速度快,风电装机容量和并网容量逐年增加。由于自然界中近地风具有随机性和波动性等特征,使得风电输出功率具有随机性、波动性,风电并网后,其波动性会对电力系统安全运行产生不利影响。通过对风电输出功率的时间分布特性进行研究,提高风电输出功率预测的准确性并对风电输出功率的预测误差进行分析研究,这对风能的大规模的开发利用以及增加风电并网容量具有重要意义。针对风电输出功率实时采集数据会发生缺失的现象,分析缺失数据的特点并采用合适的数据补齐方法对缺失数据进行补齐,对缺失数据补齐结果评价指标进行介绍,保证补齐数据的质量,为后续工作做准备。针对大规模风电场输出功率存在波动性的问题,提出采用混合Logistic分布模型对其概率密度分布进行描述,并分别对不同采样时间间隔及时间窗下的风电输出功率波动的大小及变化规律进行研究,对风电输出功率的预测具有重要意义。针对风电输出功率预测问题,采用了一种基于熵权综合关联度指标,来量化评估不同历史时段风电样本与待预测时段参考样本间的复杂非线性映射关系,并与Pearson、Kendall、Spearman相关系数以及互信息相关系数指标进行比较。然后,采用一种神经网络改进模型,通过相似样本筛选,减小训练数据冗余度对预测结果产生的影响并提高收敛速度,增强预测模型的泛化能力和计算效率。针对风电输出功率实时预测误差问题的研究,本文首先对风电输出功率实时预测误差的幅值特性与波动特性进行分析,对其概率密度分布选取合理的分布模型进行描述。利用该分布模型求得不同置信度下的风电输出功率预测置信区间,然后根据置信区间的计算结果结合功率实际值来对预测误差进行分层。不同误差层对应的误差幅值各异,针对误差的幅值特性采取对应措施来对误差进行补偿。