面对新型能源跨越式增长,努力提高可再生能源的消纳与调控能力具有重要的应用价值。准确的风电功率预测是平抑风力发电随机性和波动性的重要信息来源以及降低电网调峰、调压难度的主要途径之一,它在新能源发电过程中一直扮演着举足轻重的作用。准确的天气预报技术是满足日益提高的风电功率预测性能要求的重要途径和数据保障。针对以上需求,论文对天气预报和风力发电系统功率预测进行了研究,论文主要工作如下:首先,根据风电功率预测的特殊需求改进了传统的天气预报方法。针对风电功率数据短期内变化幅度大且波动性强的特点,引入LightGBM算法对传统的WRF输出结果进行了修正,实例测试结果表明,论文所提出的风速优化模型预测误差最小,验证了所提出方法的有效性。随后对多种因素作用和数据筛选的预处理技术进行了研究。论文采用了Spearman、Kendall相关系数对影响风电功率的因素进行定量分析,对输入数据进行优化筛选,确定合适的输入数据维数。其次,为了解决实际风电功率数据采集过程中由于人为或气象因素导致的故障数据,论文研究了基于规则和基于聚类的噪声数据筛选技术,通过实例验证发现,传统的基于聚类的噪声筛选方法存在误筛与漏筛的问题,根据上述噪声数据筛选的种种缺陷提出了一种抗噪回归的数据筛选办法。通过使用鲁棒性能强的RANSAC回归技术,达到了最佳的筛选效果,实例结果验证了所提出方法的有效性。最后,提出了一种多时间尺度风电功率预测技术。基于LSTM预测模型随着时间尺度的增加预测效果下降严重,且由于风电功率数据存在自相关性导致预测结果存在明显滞后的问题,基于上述问题建立了一种基于Seq2Seq框架且引入Attention机制的优化模型,在解决风电功率自相关性带来缺陷的同时有效缓解了长距离信息被弱化的问题。通过实例表明,本文提出的预测模型相较于传统的LSTM模型在不同时间尺度上的预测精度均得到了提升,验证了算法的有效性。总体而言,本文提出的多时间尺度风电功率预测算法在多个环节上有效提升了风电功率预测精度,具有一定的应用价值。