风电功率的预测可以减少风电不稳定性对电网的不利影响,有助于电网人员及时调整调度计划,改善系统调峰能力,同时能够提升风电在电力市场的竞争力。本文提出风电集群短期功率预测的动态自适应技术,并做了以下几个方面的研究:首先,本文介绍了现阶段风电集群短期功率预测的技术分类,分析了风电集群短期功率预测的数据来源、信息流向、预测流程。在此基础上,本文论述了风电集群短期功率预测的整体架构,提出了具有泛化意义的风电集群短期功率预测的六个层次结构,并从各个层次,即数据层、映射层、特征层、模型层、反馈层以及输出层论述改进集群短期功率预测精度的方法。其次,本文开展了基于动态自适应技术与深度学习的风电集群短期功率预测方法研究,以深度学习理论为基础,构建DBN网络结构,建立风电集群短期功率预测模型,将风电数据进行预处理,通过调整深度网络结构的网络层次、每层的节点数以及样本数量集研究基于自适应技术的深度学习预测模型影响因素。最后,本文建立了基于动态自适应技术与统计升尺度的风电集群短期功率预测模型,并对风电集群的动态划分、基准风电场的动态选择、样本的自适应选择、预测模型的自适应选择进行了研究。本文提出的以天气分型的方式动态划分集群有利于子集群风电场依据相似的天气类型选取合适的预测方法,提升区域短期功率的预测精度。基准风电场的动态选择可以改善统计升尺度法难以确定集群中一直具有代表性的风电场的不足。以单个风电场的出力与集群出力的相关性为依据选择基准风电场,并以天气分型方法为基础,搭建基准风电场短期功率预测的自适应模型,提升了基准风电场的预测精度。采用统计升尺度的模型动态选择方法预测集群出力,能较好的跟踪集群的短期出力趋势。