随着国家可持续发展战略的提出,风能得到了愈加广泛的利用。为了将风电更好地融入到智能电网的建设当中,提高风电功率预测精度水平是重要手段之一。同时,这对于完善我国电网架构和加强电网自愈能力也具有不可替代的意义。本文着重介绍基于深度循环神经网络的智能风功率预测模型的研究工作。以江苏启东风场为应用对象,通过对比该模型与其他模型的优劣,对其可应用性进行探讨,重点围绕以下三个问题展开工作:针对异常数据难以辨识的问题,本文基于局部异常因子算法进行数据预处理,剔除影响风功率预测模型精度的异常数据。通过对数值天气预报数据和实际风速进行统计分析,得出数值天气预报数据具有可校正性的结论。针对网络训练速度慢和预测精度低的问题,本文基于极限梯度提升算法对所采用的数据特征进行分析,剔除相关度较低的特征,降低模型输入维度,从而有效提升训练速度和预测精度。针对网络训练速度慢和预测精度低的问题,本文提出一种改进的深度循环神经网络模型,在其基础上建立了数值天气预报数据的校正模型,并将校正后的数据作为功率预测模型的输入向量。基于改进的深度循环神经网络建立风机功率预测模型,通过仿真计算,分别预测4小时和24小时内各风机的有功输出情况。结果表明,改进型深度循环神经网络相较当前所采用的其他预测模型的预测精度更高,并且相较经典循环神经网络训练速度更快,验证了该方法的有效性。