随着风电场的大规模建设,准确的风电功率预测已经成为高效消纳风电的关键技术之一。近年来我国可再生能源相关政策的改革与逐步完善,使风能成为着力发展的清洁能源,因此其在总体发电功率中的比例逐步攀升。由于风电本身具有波动性、间歇性及不确定性等特点,所以当风力发电并网功率超过一定范围,并且发电功率不能被精确控制时,就会对电网的稳定运行产生不利影响,因此对于风力发电预测及控制的相关技术亟待提高。首先对风力发电原理进行阐述,并对风力发电过程中涉及的功能实体作用及联系进行分析,从而归纳总结出风力发电过程中存在的影响因素。由于深度学习过程耗时较长,为了节省预测过程中的训练时间,需要对众多影响因素进行筛选。在风电功率众多影响因素并存的情况下,采用条件互信息的方法,提取对风电功率具有较大影响的特征变量作为预测模型的输入。将筛选后的特征变量作为预测输入数据,然后进行训练从而获得最终预测模型,因此数据的准确性对模型预测精度有一定的影响。本文提出基于改进的孤立森林对风电功率异常数据进行辨识。该方法能够有效辨识风电功率异常数据,对提高模型预测精度具有较大意义。最后针对风电功率时间序列的随机性与不确定性特征,提出基于多变量自适应 LSTM(Adaptive Long Short-Term Memory,Adaptive LSTM)的风电功率预测方法。为克服LSTM预测模型训练中超参数主观设置的不足,提出利用遗传算法(Genetic Algorithm,GA)对预测模型超参数进行优化配置,同时为避免陷入超参数局部最优,所以对遗传算法改进从而获得最优预测模型。通过实例数据与多种预测方法的预测结果进行对比,验证所提出的自适应LSTM预测模型不仅有效还具有较高的风电功率预测精度。