风电出力受到气象因素的影响,具有随机性和波动性的特点。研究风电功率预测可以预知风电机组的出力情况,对电网灵活调度和提高风能消纳能力有着重要的意义。本文开展了基于深度学习的风电爬坡识别及短期功率预测技术研究,主要内容包括异常数据识别、基于蝙蝠算法和改进旋转门算法的风电爬坡识别、风电场相似场景匹配和基于相似场景匹配的迁移学习短期风电功率预测。1)提出了一种风电功率异常数据识别方法。本文从风速-功率、时间、空间三个方面进行了风电出力特性分析;对风电功率异常数据进行了分类,并给出了不同类型异常数据的识别准则;基于吉林、宁夏和黑龙江风电场数据进行了异常数据识别,为本文后续部分的算例分析提供有效的数据支撑。2)提出了基于蝙蝠算法（BA）和改进旋转门算法（SDT）的风电爬坡事件预测方法。本文采用BA算法来优化SDT算法的容差系数ΔE,构建了基于BA-SDT的风电爬坡识别模型,通过迭代计算确定了最优容差系数ΔE的取值,通过算例分析与标准SDT算法对比验证了BA-SDT模型的有效性。3)进行了风电场的相似场景匹配研究。在风电爬坡事件识别结果的基础上,研究了气象/功率时空关联特性挖掘的最优搜索方法和模式匹配准则,并对时空高维大尺度气象预报数据和大空间范围新能源出力数据进行关联、聚类和回归分析。得到气象/功率相似场景匹配结果,为后续基于相似场景的迁移学习做基础。4)构建了基于相似场景匹配的迁移学习短期风电功率预测建模。首先基于相似场景的源风电场数据,研究了多源数据迁移方法,建立了多源迁移模型;基于多源迁移学习模型,研究了模型集成方法,建立了基于相似场景匹配的多源集成迁移学习短期风电功率预测模型,以解决由于数据缺失而导致风电场功率预测建模难度大的问题。