风能是现阶段重要的可再生能源,适合部分地区进行大面积的开发和利用,但是风能存在随机性,且具有波动性大的特点,导致风力的发电功率不稳定。此外,在并网的过程中,风能的不确定性也会给电网的稳定性带来干扰,进一步地降低了电网的运营安全性。因此,对风电功率进行实时预测,为电网调度提供重要依据,意义重大。本文在风能时空特征的基础上研究风电功率预测算法,旨在通过对时空特征的提取,训练一个具有高精准度的风电功率预测模型。首先,针对风能波动性大以及传统方法中存在的时域特征提取不充分,需要依赖经验参数设计模型等问题,提出一种融合因果膨胀卷积和双向门控循环单元的算法框架,并通过滑动窗口处理数据,增加数据量。该方法能够从不同的维度对风电功率数据中包含的时间特征进行特征提取,改善了特征提取的过程。其次,为了解决上述模型中存在的时间复杂度过高和长期依赖性严重的问题,提出自注意力改进的transformer算法框架,代替之前的循环神经网络,使得整体结构能够采用并行计算,运算效率显著提升。同时采用卷积来提取局部特征,改善了注意力机制对邻近时间点的忽视问题,实验验证了模型在数据集上取得了更好的效果。最后,针对前两种方法只能在时间特征上进行特征提取,而忽视了空间特征这一问题,提出一种自适应邻接矩阵的图卷积神经网络算法框架,相比于传统的图神经网络,采用单向自适应的邻接矩阵,解决了风场之间的位置关系缺失的问题。进一步地使用图卷积神经网络来对整体的时空特征进行提取,实验证明整体的准确率有着较为明显的提升。综上,针对现有的风电功率预测算法中存在的准确率较低,时间复杂度较高等问题,提出了相应的优化方法,并充分利用空间特征进一步提升算法预测的准确度,实验证明所提出的多种优化算法均取得了先进的性能。