近年来,在全球能源消耗加剧,化石燃料日渐枯竭的背景下,风力发电行业在全球电力生产结构中所占比例逐年上涨。风力发电技术扮演着重要角色,但风力发电伴随着风的波动性、间歇性和不确定性对电网的稳定运行带来严峻的挑战。随之而来的是风电消纳、运行、并网等问题亟待解决,而准确的风电功率预测是降低风电并网对电力系统稳定运行的冲击和促进大规模风电消纳的基础,因此对风电功率进行准确预测已经成为当前热点研究课题之一。首先,根据异常风速数据产生原因及特点,提出了基于最小二乘滤波-肖维勒组合的异常风速数据识别算法,并利用测风塔不同高度风速数据具有波动关联性这一特点,对待剔除数据进行校正,减小误识别率。在数据缺失的情况下,提出基于属性重要度-相似片段的数据补齐方法,得到完整风速数据,为后续风电功率预测研究提供优质可靠的数据源。其次,对风资源特性的研究是提高预测精度的前提条件,定量分析各个风电场站数值天气预报（Numerical Weather Prediction,NWP）、实测数据等的时空关联特性,利用随机森林算法提取多位置NWP特征作为预测模型输入,并选取改进的灰狼寻优算法对门控循环单元（Gated Recurrent Units,GRU）进行参数优化,提出一种基于多位置NWP和GRU的风电功率超短期预测模型。算例采用中国某风电场的实测数据,并与长短期记忆网络、持续法等方法进行对比验证,结果表明,所提方法可有效地提取NWP特征中包含的时空信息,提高预测精度和训练速度。最后,运用机器学习的可解释性方法,根据风电超短期功率预测模型输入的不同,分别建立以历史实测功率数据为输入的预测模型一和以NWP数据加上历史实测功率数据作为输入的预测模型二,将模型二所得预测功率按照误差大小分为预测效果良好,一般以及较差三段。通过构建局部线性解释模型对超短期功率预测值分别进行“事后解读”,并结合特征重要性方法,分析影响GRU模型预测效果的因素,根据决策结果修正预测模型,从而提升GRU模型在预测过程中的实际效用。