可再生能源的合理开发利用是我国目前的焦点工程,十四五规划提出“双碳”目标后,电力行业将重点围绕以风、光等资源构建新能源电力系统。其中风力发电作为较成熟的可再生能源发电技术之一,已经成为我国乃至世界能源发电的重要组成部分。风速的间歇性与波动性对风能的利用产生较大影响,由此,本文结合国家重点研发计划（2022YFB2404001）与国家重点研发计划（2021YFB2400802）,以研究风速属性数据信息作为基础,通过挖掘风速属性信息时空相关特性,进而达到对风电场机群内风机精确的风速预测。并且进一步通过对风速-功率转化进行研究,对电力系统消纳新能源、灵活调度及安全运行有重要意义。论文阐述了风力发电预测技术的背景意义与研究的重要性,对考虑风速属性特征的风速及风功率预测进行数据预处理及构建预测评价指标。利用快速相关性滤波法对风速序列关联属性进行排序筛选,据此改进K-mediods方法对风电场机群聚类,运用改进灰色关联度分析簇内风机的风速属性序列时空相关性,划分典型风机多阶邻域,并重构风速信息矩阵以提高整体预测效率。基于深度学习理论研究,提出考虑风速属性特征的风电场风速及风功率预测的总框架。基于卷积神经网络思想,引入双层记忆单元构建自校正卷积双层记忆网络。将重构的时空多维信息输入卷积双层记忆网络,通过卷积神经网络进行风速信息降维与空间特征提取,再由双层记忆网络进行多位置多步超短期及短期预测,同时基于反向误差传播原理在记忆网络中引入自校正误差修正单元,提高了模型的精确度与泛化能力。对实际风电场的风速进行预测,验证所提预测方法的有效性。由于依据标准风速-功率特性曲线进行转换会有较大误差,本文为了提升风速与功率转换准确率从而提高风功率间接预测的精度,利用实测数据构建更符合规律的风速-功率特性曲线。构建时序控制的空间关联优选方法在聚类后各簇机群内搜索代表风机,从而构建风电场等值风功率预测模型。利用实测数据对风电场进行仿真分析,验证本文风功率间接预测模型的准确性。