随着化石能源的日益枯竭,对化石能源的过度开采与使用导致的环境污染、全球变暖等问题亦不断凸显,可再生清洁能源受到世界各国的广泛关注。风能资源因其丰富的理论储藏量,已成为可再生能源的重要组成部分。近年来,风力发电的发展速度逐年加快。随着风电装机容量及规模的不断增大,风能自身的间歇性、不稳定性、不确定性给风电并网运行后整个电网的安全、稳定运行带来了诸多挑战,风电功率的准确预测对风电的发展和电网的安全稳定至关重要。本文针对风电功率预测中的超短期预测问题进行研究,主要研究内容如下:1)利用风机运行历史数据中的风速-功率数据,使用变点分组-四分位法初步分离正常数据和异常数据;利用分离出的正常数据与异常数据,建立基于生成对抗网络的异常数据特征增强模型,增强异常数据特征;最后利用初步分离的正常数据和增强特征后的异常数据作为训练数据,建立基于贝叶斯优化超参数的XGBoost异常识别模型,使用训练好的XGBoost模型对风机运行原始数据进行异常识别,分析了生成对抗网络生成的异常数据数量对异常识别效果的影响。2)使用变分模态分解对异常识别后得到的风机运行预处理数据进行数据特征提取,利用提取得到的各模态分量作为训练数据,建立了基于时间卷积网络（Temporal Convolutional Network,TCN）-门控循环单元（Gated Recurrent Unit,GRU）-注意力机制（Attention,AT）的风电功率超短期点预测模型,并使用树木生长算法对模型的超参数进行优化。对比验证了所建立模型与对比模型在相同时间段进行预测时,所建立模型在均方根误差、平均绝对百分误差评价指标上和预测稳定性上的优良表现。3)利用异常识别后得到的风机运行预处理数据,使用Division-K-means对历史功率在不同的起始聚类簇数下分别进行多区间聚类,利用变分模态分解所得的各模态分量作为训练数据,各聚类结果得到的区间作为数据标签,建立基于Mul Dense-LSTM对应各聚类结果的超短期多区间预测模型,最后基于各聚类结果输出的预测区间的相对概率,对最终输出的预测区间进行选择。验证了所建立模型在不依赖超短期点预测的前提下,通过多区间选择可对预测区间覆盖率和平均预测区间宽度指标进行综合考虑,为风电功率超短期区间预测提供了新思路。