风电所具有的不确定性,以及风电功率骤增骤减的爬坡现象导致很难准确预测风电功率,风电功率预测误差将造成发供电的不平衡等问题。而在预测前挖掘出风电数据的不确定性特征,能够有效提高风电预测及其区间评估的准确性,有利于提高风电设备的可利用率,降低电网调度时的备用裕量。因此本论文采用特征提取的方法,针对风电功率爬坡预测、误差区间评估和爬坡分段区间评估等问题开展研究,主要完成了以下工作:（1）为了提高风电爬坡预测的准确性,提出一种基于爬坡特征二次提取和深度学习的风电功率爬坡预测模型。引入改进旋转门算法以识别并提取长时间尺度下的爬坡特征值。再构建基于深度学习网络的风电预测模型,以历史风电功率及其爬坡特征值作为预测模型的输入,以风电功率为输出,加强模型对爬坡特征的学习,防止爬坡特征淹没于复杂的风电功率信号中。模型中,卷积神经网络模型二次提取风电功率和爬坡事件的耦合关系特征,长短期记忆网络深度学习风电功率与爬坡事件的时序相关性。最后通过改进的旋转门算法再识别进一步得到爬坡事件预测结果。算例分析验证了预测模型对于预测风电功率爬坡事件的有效性。（2）为了提高风电功率区间评估的精度,提出一种基于误差分类和长短期记忆网络的风电功率预测误差区间评估模型。引入K-means聚类算法,根据风电功率预测误差分布特性将其分为正误差、负误差和正负误差3类,并对聚类后每种误差类型赋以特征值。再将风电功率数据和预测误差数据一同作为模型输入,误差类型特征值作为模型输出,建立长短期记忆网络误差类型预测模型。将得到的误差类型所对应的误差值与预测风电功率值叠加后得到风电功率的评估区间。算例分析验证了基于误差分布特征建立的区间评估模型更能抓住误差数据的分布特性,能够有效提高区间评估精度。（3）为改善发生小概率风电爬坡事件时,区间评估结果更易产生实际功率越限的情况,对于爬坡事件发生时采用云模型特征参数量化风电的不确定性,提出了一种基于爬坡分类和云模型的风电功率区间评估方法。对经改进旋转门算法识别后的上爬坡类误差和下爬坡类误差分别建立云模型,对非爬坡类误差采用K-means算法,以分析不同爬坡类别误差的分布特性,提高不同爬坡类别下评估方法的适应性。以风电功率和爬坡特性为模型输入,误差类型为模型输出,建立误差评估模型以挖掘数据特征。算例分析验证了考虑爬坡特征的风电功率区间评估方法对于提高爬坡段评估精度的有效性。该论文有图38幅,表26个,参考文献87篇。