随着风电相关技术的逐渐成熟与节能减排压力的增大,全球累计风电装机容量占电网比例逐步升高。但是风能具有明显的随机波动性和间歇性,这使得风电的接入可能会对电网的安全和电能的质量造成严重的冲击,大规模风电的并网稳定成了风电发展的一项严峻挑战。对风电场的输出功率进行多时间尺度的提前预测可一定程度解决此问题,根据预测结果,可以用于风电实时并网控制,提前调整调度计划,同时准确的功率预测可减少电力系统用于维稳的旋转备用,从而降低运行成本。因此,实现风电场的风速和风电功率预测具有极为重要的实际意义。基于以上背景,选择风速和风电功率的预测作为研究内容,先实现风速的预测,进而转化为功率的预测。采用物理模型与深度神经网络结合来实现风速预测。首先,使用天气研究与预报（WRF）模式实现风速的预测,提出了一种基于敏感性梯度顺序的调参策略,对山东省济宁市某风场进行预报试验,结果显示风速预报误差获得了明显的减小。在此基础上,提出卷积LSTM混合网络架构用作预报风速的修正模型,结合WRF模式在风场范围的风速预测网格,进一步提高了测风塔轮毂高度位置的风速预测精度。最后,实现了包含风速、风向、温度等五个预报要素的风场数值天气预报。基于风场气象预报数据和记录数据,结合混合的深度神经网络模型实现风电场超短期和短期风电功率预测。首先,使用皮尔逊相关系数法计算变量与功率的相关系数,依据相关系数的大小选择预测风速、记录功率和记录风速作为输入,用于未来功率预测的输入。然后使用变分模态分解算法（VMD）将记录风速和记录功率分解为五个基本模态分量,逐步去掉高频分量后重构序列,降低了数据采集随机波动性的影响。依据记录数据与预测数据的正向时序关系,提出了一种时序卷积网络（TCN）与长短期记忆网络（LSTM）结合的混合深度架构TCN-LSTM模型。TCN网络专门针对时间序列信息的正向流动特征做出了改进,输入变量先进入TCN网络,完成初始特征提取,再利用LSTM对TCN层的输出进行整体时序特征学习,获取功率预测序列。最后设计了坏数据掺杂处理试验,通过人为调整训练集的坏数据比例,提高了模型在测试集的预测精度,降低了大误差出现的比例。通过以上对风速和风电功率预测的研究,发现风速及功率数据的时序特征较为明显,依据这一特征进行预测模型设计,并对数据进行筛选和处理,有利于降低风速和风电功率的预测误差。