风电场的功率优化和风电机组的优化控制需要每台风电机组高精度的风速和功率超短期预测。然而,单台风电机组的风速、风电功率的超短期预测面临着高预测精度与少样本量、少计算量无法同时满足的问题。究其原因在于,（1）当前的预测方法,关注于对数据序列的规律研究,而对风电机组自身运行特性考虑不足,预测精度受到限制;（2）当前的预测方案,侧重于对本地、本机组的数据特征提取,对多地、多机组之间共性考虑不足,造成大量样本的消耗和高的计算负荷。本文首先建立考虑机组自身特性的功率预测模型,验证机组运行特性对预测精度的提升作用。其次,基于迁移学习,重用多地、多机组之间的共性特征,使得预测模型可在多地、多机组之间迁移使用,以达到节约样本量与计算量的目的。研究结果表明考虑机组运行特性的功率预测模型的预测精度提高较为明显;迁移学习的应用使得模型在保证预测精度的同时,极大的减少了样本量与计算量,使得预测精度与样本量达到均衡。论文主要研究内容可分为如下三个部分:（1）基于长短期记忆神经网络,建立考虑机组运行特性的功率预测模型。对机组运行特性的考虑,主要体现在对机组运行数据的处理分析。考虑到风速的波动性和不确定性带来的信号突变部分难以准确预测的问题,对风速分解,提取风速数据的频率特性。考虑到风速转换为功率的过程中除了风速外,存在一些过程影响量,引入转子转速、偏航误差、风向等机组状态量。设计实验对比风速分解与否对预测精度影响以及加入过程影响量的种类对预测精度的影响。（2）建立考虑多因素分配的级联式风速、功率预测模型。在验证机组运行特性对预测精度提升的积极作用的基础上,考虑到多个因素的机组运行特性,对风速、功率预测过程不同的影响程度,建立考虑多因素分配的级联式风速、功率的超短期预测模型。多因素分配具体表现为风速模型输入向量由风速序列和风速的分解量组成;功率模型的输入向量为预测的风速序列和转子转速、偏航误差、风向等。级联式即对风速、功率串行预测,风速预测结果作为功率预测模型输入。（3）基于级联式预测模型,引入迁移学习机制,建立可迁移的级联式预测模型。首先,利用大量本地机组数据训练高精度的级联式预测模型;然后,将本地含参预测模型迁移到目标机组,用目标机组数据再次训练,对目标机组模型进行冻结部分网络层测试;最后,对比冻结不同网络层实验的预测精度、所需的样本量和训练时间,分析本课题研究模型的最佳迁移方案。最佳迁移方案用本地模型训练样本的约1/480,训练时间的约1/2000,得到与本地模型持平的预测精度。验证了所提出的方法在优化训练精度与样本量、计算量之间的积极作用。