可再生能源在全球能源行业中发挥着至关重要的作用。在过去十年中,风能正在蓬勃发展,无污染、充足的绿色能源成为化石燃料的可行替代品。风能本质上是随机的和易变的,与传统的发电系统相比,这种非静止性质带来了风力发电的不确定性。风电并网的稳定性和安全性受到风速的剧烈波动的影响。由此,本文以考虑风速时空相关特性为基础,以时空特征挖掘为手段,对风电场内风机进行多位置多步风速预测,并进一步对风速-功率转化展开研究,对风场制定发电及并网计划具有重要的理论价值和工程意义。首先,介绍风力发电预测背景意义及研究必要性,对考虑时空相关特性的风速及风功率预测的数据预处理、数据故障原因进行了详细分析。选择互相关函数对风速的时空相关性进行确定性计算,并提出了时序控制的空间关联优化算法对空间风速矩阵进行优选重构,以提高后续步骤的预测效率。基于深度学习算法理论,提出整体的风速及风功率多尺度预测模型框架。其次,依据确定性风速时空相关性,在基于历史时序风速数据的预测模型中增加空间信息模块以提高风速预测的准确性,构建了卷积记忆网络预测模型。该模型分为特征提取部分和预测部分,分别由卷积神经网络和长短时记忆网络构成,既可有效挖掘空间信息里隐藏的深层特征,又可通过长短时记忆网络反馈训练误差,增强了模型的适应性和泛化能力,从而实现不同时间尺度的多位置风速预测。最后,本文鉴于风机出厂提供的标准V-P曲线与实际运行的出力效果存在偏差,为提高模型风功率预测精度,降低V-P转换误差,基于实测数据进一步构建V-P特性曲线。采用kmeans算法对风电场进行机群划分,拟合出风功率预测模型。通过仿真算例验证该方法的准确性及适用性,可有效提高风电并网的灵活性。