风能具有高随机性与波动性，导致大规模风电并网后可能出现电压和频率发生偏差、电压波动、甚至脱网等现象。对风电输出功率进行准确预测，可以为电力系统的安全、经济和优质运行提供重要支持。在前期研究工作中，发现风电场风速分布特征、影响因素重要性特征、训练样本相似性特征这三个数据特征量对预测结果有着重要的影响。由此可见，风电场的数据特征是影响输出功率预测精度的重要原因之一。本课题通过对多个地区典型风电场数据特征的提取与分析，探寻这些数据特征与预测精度之间的关联性，为选择合理有效的建模方法提供理论依据，不断优化预测模型，进一步提高风电功率预测精度。为此，本文主要做了以下工作：1）针对不同预测途径影响预测精度与预测运算量问题，在分析风电场风速分布特征的基础上，提出了一种基于风速分布特征的风电功率分组预测方法，并将所提方法的预测结果与单台机组功率预测后叠加得到整场功率、整场功率直接预测两种途径方法进行比较分析，结果表明该方法在保留原有精度的基础上大大减少了预测计算量。2）在分析影响因素重要性特征和训练样本相似性特征的基础上，提出了一种基于模糊粗糙集与改进聚类的风速预测方法。首先，采集风电场数据信息，建立风速知识系统，采用模糊粗糙集对影响风电场风速的多种因素进行了属性约简，对模型输入变量进行了优化，并得到了约简后各影响属性对决策的重要性；然后，考虑了不等同重要性信息在聚类时起的作用，提出了基于属性重要性的加权欧氏距离改进聚类方法，分别建立了各类预测模型，并采用改进聚类提取相似性较高的数据作为训练样本，对训练样本实现了优选；最后，根据当前属性值选择匹配的模型对风速进行预测。以华北地区某风电场实际数据为例进行了仿真实验，结果表明该方法能在较少的模型输入下有效地提高预测精度。