风本身具有随机性的特点,导致风电出力具有间歇和波动等不确定的因素。大规模的风电并网会对电力系统的运行和调控造成严重影响,精确的风电功率预测技术是解决上述问题的重要保证。由于传统的深度神经网络在训练过程中随着网络层数的加深精确度趋于饱和甚至下降,出现了网络退化现象,严重地影响了模型的训练效果和预测精度,因此本文提出了基于深度残差网络的短期风电功率组合预测方法:首先,基于风电场的实测历史数据,对风力发电特性和风电功率影响因素进行分析和研究。为了解决传统的深度神经网络（deep neural networks,DNN）在训练过程中随着网络层数的加深产生的网络退化问题,提出了一种基于深度残差网络（deep residual network,DRN）的风电功率预测方法。分别建立了基于BP神经网络、CNN、DRN的短期风电功率预测模型,经过反复实验确定了三种预测模型的网络参数,通过对比分析预测结果,验证了DRN风电功率预测模型的有效性和可行性,其在深层数的网络训练中依然可以保持良好的训练效果,有效地解决了网络退化问题,提高了预测精度。其次,DRN预测模型不能充分利用风电场原始数据的时序特性,且单一模型预测精度的提升具有局限性。因此,本文提出了一种基于深度残差网络和门控循环单元（gated recurrent unit,GRU）神经网络的风电功率组合预测方法。采用Pearson相关系数法从历史数据中筛选出与风电功率相关性高的气象变量,降低数据维度;采用自适应矩估计（adaptive moment estimation,Adam）优化算法训练DRN-GRU组合预测模型,得到最佳网络参数;根据历史数据序列建立DRN-GRU滚动预测模型,得出风电功率预测结果。算例结果表明,相比单一预测模型,DRN-GRU组合预测模型对时序数据的适应能力强,具有更好的预测性能。最后,DRN-GRU组合预测模型擅长处理非平稳的数据序列,在处理平稳数据序列时略显不足,并且预测具有滞后性。针对上述问题,提出了一种基于改进集合经验模态分解（modified ensemble empirical mode decomposition,MEEMD）的DRN-GRUMLR（multiple linear regression,MLR）风电功率组合预测方法。采用MEEMD方法将原始数据序列分解成若干IMF分量和残余分量,根据过零率原则,将IMF分量和残余分量重构成高频分量和低频分量;采用DRN-GRU组合模型预测高频分量,采用MLR模型预测低频分量;将分量预测结果叠加重构,得到最终预测功率。算例结果表明,相比DRN-GRU组合预测模型,MEEMD-DRN-GRU-MLR组合预测模型提升了对平稳数据的预测能力,明显改善了预测滞后性问题,进一步提高了预测精度。