风能作为一种清洁能源,是目前电力行业中的一种友好型能源。然而风电的随机性、波动性和间歇性,导致电网并网困难,同时又制约电力行业的发展。为了使电网运行稳定安全,准确高效的短期风电功率预测非常重要。因此本文提出了三种基于生成对抗网络的风电功率预测模型。本文的主要工作如下:1.针对现有风电功率预测方法精度低的问题,提出基于卷积生成对抗网络（CWGAN-GP）的风电功率预测模型。针对风电数据存在非线性、间歇性的问题,选择卷积神经网络（Convolution Neural Networks,CNN）作为生成对抗网络的生成器和判别器,因为CNN比其他网络能更好的表示数据间的内在联系。同时又针对生成对抗网络模型不稳定的特点,将WGAN-GP生成器损失函数与原始数据和生成数据间的均方误差结合作为生成器的目标函数。最后,采用酒泉某风电场2020年1月到6月的数据,分别进行单步预测与多步预测的实验验证。结果表明,所提方法在单步预测与多步预测中都有较高的预测精度。2.针对CWGAN-GP网络中生成器和判别器使用相同学习率引起模型出现崩溃的现象,引入双时间尺度更新规则（Two time-scale update rule,TTUR）。又为了减少CWGAN-GP网络运行时间,生成器采用双向长短期记忆网络（Bi-directional long-short term memory network,BiLSTM）。因此,提出了基于双时间尺度更新规则及双向长短期生成对抗网络（TTUR-LCWGAN-GP）的预测模型。用“W”距离指标评估TTUR在LCWGAN-GP网络上的性能,使得LCWGAN-GP网络的训练过程更加快速和稳定。最后,采用麻省理工大学公开数据集和酒泉某风电场2020年7月到12月的数据集,利用TTUR训练LCWGAN-GP模型并进行预测。结果表明,引入TTUR之后不仅有效地保持了网络的平衡状态,而且还提高了判别器的训练速度。3.针对风电功率预测的输入特征存在相关性且难以自适应选择输入特征中深层信息的问题,将输入注意力机制引入生成器中以自适应的选择输入特征;同时针对风电数据具有长时间依赖性且难以捕捉的问题,将时间注意力机制引入生成器中以捕获风电数据时间序列的长时间依赖性。因此,提出了基于双阶段注意力机制生成对抗网络的预测模型。又为了避免网络易出现梯度爆炸的现象,选取Huber Loss函数作为生成器的损失函数。最后,采用酒泉某风电场2021年整年的数据进行春、夏、秋、冬四季的预测及滚动多步预测,又采用山东某风电场2021年整年的数据进行多输出预测。结果表明所提模型不仅能够自适应的选择输入特征,而且还能捕获风电数据时间序列的长时间依赖性,有较强的适用性和实用性。