可再生能源具有循环再生、资源分布广泛以及低成本、低污染的优点，其开发与应用已经成为现代社会能源供应体系中关键的战略部署，可再生能源的利用程度将决定一个国家的经济发展趋势。风能资源的分布广泛、总储存量巨大，并且开发利用成本较低，是最具开发前景的可再生能源之一。近几十年来，先进的科学技术和工业技术不断地促进着风力发电工业的蓬勃发展，风能的利用技术也与时俱进，得到了迅速的发展。风力发电领域产业的发展也是中国促进能源生产、提高国际竞争力的重要举措和能源转型的重要战略部署。风电功率预测是风能利用的重要研究分支，电力系统工作人员需要可靠的风电功率预测数据来调整风电系统的运行决策，风电场向国家电网趸售上网电量也需要风电功率预测来提供可靠依据。风电场风速受环境因素影响大多显示出随机波动的特性，风电功率与风速息息相关，自然也会随着风速的波动而具有波动性。为了保证电力系统安全可靠的运行，风电功率预测的目标是把风能波动性带来的损失降到最低。总体来说，风力发电机组的输出功率预测为评估风能资源与风电价值、诊断风电机组故障与运行性能、调整风电机组备用数量等工作提供可靠的数据依据。本文以SCADA系统采集的数据为基础，利用深度神经网络模型研究超短期风电功率预测。主要工作包括以下内容：
　　1）风电场SCADA系统采集数据的预处理。为了兼顾研究的实用性和科研价值，本文通过不同的数据预处理流程生成两种数据集备用，分别是实际工况数据集和理想工况数据集。实际工况数据集采用了缺失值填充的预处理方法保证数据样本时间上的连续性，其更符合实际生产条件下的风机运行规律，以此数据集训练的模型预测值更具有现实参考意义。理想工况数据集是考虑了风电场复杂的环境影响因素(风速小于切入风速或风速大于额定风速)以及风机状态影响因素(限电状态或故障状态)，把不符合标准运行规律的数据样本作为异常数据进行清洗，然后拟合出风机正常运行状态下的风电功率曲线，最后将异常样本用风速-风电功率函数关系计算出的标准值进行替换。以理想工况数据集训练模型更适合研究风电规律，具有科学研究价值。
　　2）基于经验模态分解的超短期风电功率预测。环境风速的不确定性和非平稳性导致风电功率时序信号是一个非周期、非平稳的序列，这样的时序信号预测难度较大，即使是循环神经网络也只擅长捕获有规律性的时间序列信号，对风电功率信号的预测能力较弱。为解决这一困难，本文利用信号分解的方法把原始序列转化为多个相对平稳的时序序列，再利用神经网络对多维数据的兼容性，设计鲁棒性和预测性能更强的神经网络结构。
　　3）基于环境因素和不确定性因子的超短期风电功率预测。风电机组的发电功率和风电场风速、气温有密切的联系，并且风电机组的运行状态也是制约发电功率的重要因素。为了探索SCADA系统记录数据中的风速、温度等其他物理特征对预测模型的促进作用，本文从风电功率的物理公式着手，提取出一个能代表环境因素影响和风机状态影响的变量，称这个变量为不确定性因子，并用实验证明了这个变量的合理性。在此基础上，本文重构了模型的输入特征，用多组对比实验得出风电功率预测模型的最优结构。