随着风电并网规模的快速增长,风电固有的间歇性和波动性为电网的安全运行带来了巨大挑战。提升风电功率的预测精度有利于调度人员及时调整调度计划,进而降低风电对电网的冲击并提升风电的消纳能力。本文从特征分解和集成学习这两个方面入手,对风电场和风电集群的短期点预测技术和区间预测技术进行了研究。论文的主要研究内容归纳如下:（1）研究了风电场多个预测风速的确定性分解方法。采用小波变换对风电场不同高度处的多个预测风速进行分解时,存在着分解层级和小波函数难以确定的问题。针对这一问题,提出了一种基于最大匹配率的功率-风速多层次交叉分解方法,可以依最大匹配率直接确定每个风速每次分解时的分解层级和小波函数。通过多层次的交叉分解可以将不同高度处的多个风速分解为不同频段的风速分量集合,对每个风速分量再引入风向进行三角分解后即可获得风电场的输入特征集。通过和20个风电场上200个基准数据集的对比分析,验证了多层次交叉分解方法的有效性。（2）研究了风电场功率的集成预测方法。采用集成学习方法对风电场功率进行预测时,目前尚缺乏一种确定性的为子模型构建差异化输入特征和差异化目标集的方法。针对这一问题,在交叉分解同时对功率和风速进行了确定性分解的基础上,提出了一种交叉分解-集成学习方法对风电场功率进行预测。首先,对功率分量采用逐分量累加方式为子模型构建差异化的目标集。其次,对输入特征集采用堆叠降噪自编码器进行不同维度的编码为子模型构建差异化的输入特征。最后,采用支持向量机对子模型进行选择并集成。实验结果表明,相较于单一预测模型、传统集成模型和逐分量集成模型,交叉分解-集成学习方法的预测精度有了显著提升;相较于经验法分解-集成学习方法,交叉分解-集成学习方法可以以相对较低的输入维度、相对较少的子模型实现相对较高的预测精度。（3）研究了大规模区域风电集群的集成预测方法。采用集成学习方法对风电集群功率进行预测时,目前尚缺乏一种确定性的集群特征分解方法和子模型设计方法;对于规模较大的区域风电集群,还缺乏一种确定性的集群分层级划分方法。针对上述问题,首先提出了一种基于参考向量的区域集群分层级划分方法,可以将规模较大的区域风电集群分层级划分为规模近似对等的子集群,且可以使得子集群满足可预测性要求。在此基础上,提出了一种确定性的两阶段交叉分解方法对子集群特征进行分解,并给出了相应的集成用子模型的设计方法。最后,提出了一种分层级集成方法对不同规模集群的功率进行预测。通过和基准方法的对比分析,验证了分层级集成方法在任一规模集群上的有效性,同时验证了集群的分层级划分方法对提升集群功率预测精度的作用。（4）研究了基于点预测值的集群功率区间预测方法。以功率观测值为基值构造区间标签且采用记忆模型建立功率预测值到区间标签的映射时,功率观测值和预测值的高频段均可能对区间预测精度产生负面影响。针对这一问题,提出了一种基于变分模态分解和预估区间的特征选择方法对功率预测值和功率观测值进行滤波,选择可预测性较好的功率观测值低频段作为基值构建区间标签,并选择对应的功率预测值低频段作为区间预测模型的输入。为提升预测精度,采用了深度最小门控网络作为区间预测模型,并提出了一种以最小预估区间作为区间宽度初始值的区间宽度自适应调整算法。和基准方法的对比结果验证了本文提出的特征选择方法和深度记忆模型的有效性,同时验证了采用最小预估区间作为区间宽度初始值的合理性。