全球变暖导致的能源危机加速了清洁能源应用市场的扩大,风电资源就是其中之一,风电的不稳定却对风电并网带来了挑战,通过准确地对风电功率进行预测可以有效解决风电并网困难的问题。其中,短期功率预测是电网实施实时调度的重要科学依据,也是风电场参与电力现货市场日前市场竞价的重要参考。中长期功率预测是制定风电场设备维护计划、确保电网长期稳定安全运行的关键。然而,风的间歇波动性会导致风电的随机性,以至于对风电的预测变得困难。本文以风电输出功率为研究对象,搭建深度学习模型从历史数据中学习特征,对风电功率进行预测。具体地,分别用注意力机制和循环类神经网络结合以提升深度神经网络的性能,以及应用由注意力模块堆叠而成的特征表示能力更强的深度网络,完成高精度风电功率短期和中长期预测。本文的研究内容如下:（1）为了提升非平稳随机风电功率序列的短期预测性能,用变分模态分解（Variational mode decomposition,VMD）的方法对其进行分解,得到较为平稳的模态分量,以提高后续建模和预测的精度。为了避免模态的过度分解,采用中心频率法判断模态分量的数量。对分解得到的模态分量分别进行建模和预测,以弥补直接对随机性序列进行预测的不足。在实际风电功率数据集上的实验结果表明,采用VMD分解后,短时风功率预测精度得到了明显的提升。（2）为进一步提升长短时记忆网络（Long Short Term Memory,LSTM）模型的风电功率短期预测精度,采用了结合双重注意机制的LSTM网络对短期风电功率进行预测。为了自适应地获取各个变量对预测目标的贡献率,在模型输入端引入注意力机制实时修正特征权重,同时,为了抓取历史时间步对输出的贡献率,在LSTM隐藏层引入注意力机制,自适应获取历史信息的贡献率。实验表明,经过VMD分解后的时序分量,结合带双重注意力机制的LSTM网络,相比仅用LSTM直接预测的结果,最终预测的评价指标下降了19.7%,有较大提升。（3）针对LSTM预测性能随着预测时长的增加明显下降这一问题,利用自注意力机制能够准确地捕捉长序列的长期依赖关系的特点,将长序列预测模型Informer应用到风电功率的中长期预测中。该模型可以从较长时间历史数据中提取更多的信息,从而获得更好的风电功率中长期预测结果。通过实验表明,与采用双重注意力机制下的LSTM模型的预测方法相比,基于Informer的方法在中长期风电功率预测中具有较好的预测性能。