储量丰富、清洁环保的风电在电网内得到了广泛开发和利用。大规模风机接入电网后,受风电不确定性特征的影响,电网调度运行面临巨大挑战。提高风电功率预测精度是应对上述挑战最直接和有效的手段,本文开展的多点位数值天气预报(Numerical Weather Prediction,NWP)输入的风电功率区间预测模型具有一定实用价值。针对风电功率异常数据对预测精度的影响,本文进行了风电功率异常数据预处理。结合不同风电功率异常数据的特点对其进行识别,并采用插值法、滑动平均法对异常值进行重构,以数据间的相关性为目标对重构效果进行对比发现,滑动平均法能够取得最佳重构效果。针对模型输入数据对风电功率预测精度的影响,本文在考虑大气运动过程对风电功率影响的基础上确定了风电功率预测模型输入数据的时空尺度范围。模型输入数据的时间尺度由风电功率序列自相关检验结果确定,空间范围根据区域内风电场集群划分结果确定。针对模型计算能力对风电功率预测精度的影响,本文创建了多点位NWP输入的卷积神经网络(Convolutional Neural Networks,CNNs)风电功率预测模型。结合算法原理和输入数据时空尺度范围选取情况介绍了输入数据的输入方式,以处理后的输出功率为目标进行了预测模型的训练预测。对比不同模型的预测精度发现,基于较强数据挖掘能力的CNNs网络所创建的多点位NWP输入的风电功率预测模型具有更高预测精度。在以上工作的基础上,本文创建了多点位NWP输入的风电功率区间预测模型。采用训练好的多点位NWP输入的CNNs网络风电功率预测模型预测一定时段内的风电功率值,获得对应预测误差。分析不同风电功率预测水平条件下风电功率预测误差的分布情况,建立不同风电功率预测水平条件下风电功率预测误差分布的单一参数估计模型、混合参数估计模型以及风电功率预测值-预测误差非参数联合概率密度估计模型,将上述模型与确定性风电功率预测结果相结合,得到一定置信水平的风电功率区间预测结果。对比发现采用交叉验证法确定最佳窗宽的风电功率预测值-预测误差非参数联合概率密度估计模型所得风电功率区间预测结果具有最佳预测效果。