随着风能在全球的快速发展与广泛应用,风力发电已经成为可再生能源技术中最成熟、最具规模化开发和商业前景的发电方式。目前正值我国风电行业发展发力期,建立融合多类型复杂数据的智慧风场也将大大提升我国风电事业发展速度。因此,在复杂数据环境下,有必要建立一个完备、精确的规模风场风电功率预测系统。风电预测领域的研究已经开展多年,也建立起了比较完备的理论体系。首先本文根据风能预测类型将风能预测划分为确定性预测、概率性预测以及场景预测三类,并详细总结了相关研究文献。基于此,本文分别结合单风场、多风机、多风场三种问题规模,从确定性预测、概率性预测以及场景预测方面提出了三种方法,建立了一个较为完备的风能预测框架。首先,本文提出了一种结合高维时序聚类与Seq2Seq深度学习技术的确定性风能预测方法。具体地,利用插值和聚类技术将不同分辨率的数值气象预报（Numerical Weather Prediction,NWP）数据融入风场风能预测模型中,并建立一个新颖的多维时间序列聚类模型,并利用了带注意力机制的Seq2Seq模型深度学习技术进行最终的风能预测。本文基于西班牙Sotavento风场数据以及对应的NWP数据进行了模型验证,实验结果表明了以下结论:多元时间序列聚类算法的应用确实提高了预测性能,这表明该算法可以找出多元时间序列之间的重要的相似度信息。另外,预测结果证明了Seq2Seq模型的优越性和深度特征提取能力,这表明了复杂的深度学习方法在风电预测中的潜力。其次,本文提出了一种基于在线Lasso向量自回归（Vector Auto Regressive,Lasso VAR）、加权核密度估计（Weighted Kernel Density Estimation,WKDE）及贝叶斯模型平均（Bayesian Model Averaging,BMA）模型的风场功率概率预测方法。首先,使用在线Lasso VAR模型对风机间风速建模,预测各风机的风速。WKDW模型则利用Lasso VAR模型的风速预测与历史风速的相似度,给定历史数据不同的权重,进而进行风场总功率的KDE估计。最后,利用BMA模型对多个WKDE模型的中位数预测进行集成,给出修正的概率预测。上海浦东某风场多风机数据的实验验证表明,Lasso VAR可以更好地捕捉到风机间的空间相关性,而在线估计则提升了算法的运行效率;另外,BMA模型则可以集成多个子模型的优点,在多个指标上取得平衡且满意的结果,证明了BMA模型在风能概率预测中的集成潜力。最后,本文提出了一种结合KAMILA混合类型数据聚类与时空Copula模型的多风场风能场景预测方法。首先,使用KAMILA聚类对风场的混合类型数据进行聚类;其次,提出了一个新颖的时空Copula结构,将风场间的时空相关性解耦为风场间的空间相关性、风场内的时间相关性,并分别使用R-Vine和D-Vine两种Vine Copula结构对这两类依存结构进行建模;在此基础上,利用分步抽样对时空Copula进行抽样,预测未来一天的发电场景,从而建立一个短期场景预测方案。本文利用Wind Toolkit多风场数据集进行了模型验证,实验结果表明,KAMILA混合类型聚类方法能够在保证预测场景质量的前提下,有效地降低模型维度,提升模型估计效率;同时,本文提出的时空Copula模型能够很好地刻画风场间的时空依存结构,这表明了本文提出的时空Copula模型建模与抽样在场景预测方面的有效性。