近年来,全球电力行业迅速发展,风能作为一种清洁的可再生能源,其大规模的开发和利用不仅有助于我国电力行业的可持续发展,也是世界各国杜绝能源枯竭的重要途径。由于风能的波动性、间歇性和随机性,大规模风电的并网会对电力系统产生重要影响。准确的风电功率预测可以帮助电力部门提前制定调度计划,提高电网运行的经济性,减轻由风电不确定性带来的不利影响。深入研究数值天气预报风速的波动性对提高风电功率短期预测精度具有重要意义。本文首先提出一种深度自适应滤波框架,对于变分模态分解算法,通过引入相对熵实现其核心参数的自适应选择,经分解产生多个模态分量后,引入非局部均值去噪算法滤除其中的噪声分量,随后将其与先前剩余的有效分量重构,得到降噪序列;在此基础上,按季节划分,将降噪序列作为输入,在备选模型库中通过验证集选用该季节最适合的预测模型进行风电功率预测。对大规模风电集群进行功率预测,有利于提升电网对于风电的消纳能力,保障风能安全、稳定、高效地发电。本文为考虑风电集群内风电机组的空间相关因素,提高风电集群功率短期预测的准确性,在单场预测的基础上,针对风电集群内多个位置的风电场首先通过灰色关联分析得到风电集群中参考风电场与其他目标风电场的灰色关联度序列,然后基于此序列引入一种基于目标导向的图注意自编码器的聚类框架,对风电集群进行聚类划分,优化风电集群的预测过程,再采用基于深度学习的预测框架完成整个集群的功率预测。对于包含多位置风电场的大规模风电集群,分析影响预测误差的因素并对于引起误差的环节进行改进有利于提高风电功率预测精度。本文考虑集群内风电场间的空间相关性和风电集群在时序上的相似特性,从风电场时间序列、空间位置、集群预测模型、风电功率大小、数值天气预报风速等角度分析了风电集群预测误差的成因,并采用中国东北某大型风电集群数据进行了误差分析,为实现更高精度的风电功率预测提供了方向。