由于风力发电具有波动性、随机性与间歇性,风电并入电网将对电力系统的安全和稳定运行产生影响。同时将导致风电场不得不保有很高的旋转备用容量来稳定电网电压,严重降低风力发电的经济效益。对风速与风功率进行预测,多尺度预报风能出力,可以有效的解决这一问题。与此同时,当风速过低时会致使风电机组处在欠功率运行状态,而当风速超过额定风速后又会致使风机输出功率大于额定功率。为了确保风电机组可以将变风速情况下的随机风能转变成稳定输出的电能,需要对风电机组的桨距角进行调节。然而,过于频繁的调节桨距角将大幅度提高风机的故障率,并缩短风机的使用寿命。因此,本课题结合深度置信网络开展提高风功率预测精度的研究,并利用预测得到的未来时刻风功率数据对风机桨距角进行优化,开发了一套风电场风功率预测及桨距角优化系统,具有重要的理论和实际意义。为了提高风功率预测精度、减少旋转备用容量,同时降低桨距角调节载荷,本课题针对风功率预测建模及桨距角优化问题,开展以下研究:首先,以内蒙古某风电场实际生产数据为实验对象,针对数据采集与监视控制(Supervisory Control And Data Acquisition,SCADA)系统中获取的原始数据混杂较强噪声问题,通过自适应噪声完整集合经验模态分解(CEEMDAN)方法与相关系数法相结合的方法对混杂较强噪声的原始数据进行降噪处理,利用CEEMDAN分解历史数据,并通过相关系数法对CEEMDAN分解得到的IMF分量进行筛选,去除伪IMF分量的影响,并重构剩余IMF分量;采用功率谱分析法、Lyapunov指数法相结合的方式对风功率数据进行混沌特性分析,并求取相空间重构的嵌入维数与延迟时间;其次,通过分类回归树算法(CART)对各项变量对于未来时刻风功率的重要性进行排序,通过数据分析选取对风功率预测效果影响显著的相关变量;为了保证选取的数据为有效数据,对最终选取的输入数据实施归一化处理,消除数据之间量纲差距对预测结果的影响。然后,利用列举法对深度置信网络(Deep Belief Networks,DBN)参数进行寻优,建立基于DBN的风电场风功率预测模型;根据模型分析结果提出一种基于最小二乘支持向量机(least squares support veotor maohine,LSSVM)算法的误差修正策略,对预测模型实施动态修正从而进一步降低模型预测误差。针对风电场风功率预测问题,提出了一种基于深度置信网络的风功率预测方法。实验结果表明,所提出的风功率预测方法相比于其他模型有效的提高了预测精度。最后,以实际功率与设定值的差值最小化和桨距角调节载荷最小化为优化目标,以桨矩角为控制变量,依据风功率预测模型的预测结果,采用非支配排序多目标进化算法(NSGA-Ⅱ)算法对风机桨距角进行优化。并利用建立的风功率预测模型和桨距角优化方法,运用C#开发了一套风电场风功率预测和桨距角优化控制系统,具有一定的实用性。