风力发电具备清洁无污染、发电成本低和持续性强等优点,使其成为最有潜力的可再生能源发电技术之一。随着风电并网规模的急剧扩大,风力发电的不确定性对电能质量、电网调度、电力系统安全稳定运行等方面造成了许多不利影响,而准确的风功率预测可以有效避免风力发电所带来的问题。因此,迫切需要提高短期风功率的预测精度。为此,本文主要的研究工作如下所示:在建立功率预测模型时,考虑相关性较弱的气象因素会增加模型的训练难度,从而影响风功率的预测精度。为此,本文利用基于互信息和信息熵理论的相关性分析方法。该方法在结合传统相关性分析方法的基础上,通过准确的计算出相关性数值,量化多维气象因素与风功率的相关性,避免了主观选择对风功率预测精度的影响。基于华电辽宁大林台风电场的实例分析表明:通过该方法得到了与目标风场出力影响较大的四种气象因素,实现了对多维气象因素的降维处理,最终提高了风功率预测精度。数值天气预报（NWP）无法针对每个风场提供高精度的气象预报,存在气象预报数据与实际数据之间误差较大的问题,影响风功率的预测精度。为此,本文提出基于NWP的气象数据修正方法,建立基于遗传算法（GA）优化长短期记忆（LSTM）神经网络的气象修正模型。首先,基于NWP的预报误差,得到其误差概率密度的分布情况,增加气象模型的修正精度。其次,详细说明GA和LSTM网络的结构,并提出基于GA优化LSTM神经网络的方法。最后,以t时刻的NWP和t-1时刻目标风场处的实测气象数据为输入,t时刻的实测气象数据为输出,基于优化的LSTM网络建立气象模型,修正预测风功率所需的气象数据。基于实例分析表明:对于纬向风速、径向风速和相对湿度变量,经过气象模型修正后预报精度能提高约5%,验证了气象修正模型的合理性与有效性。风机出力的随机性和间歇性影响了现代电力系统的安全稳定运行。为此,本文提出基于气象模型修正的短期风功率预测方法。首先,基于小波分析和阈值降噪对原始风功率进行数据预处理,避免因风电场采集环境和装置对功率预测精度的影响。其次,以t时刻气象模型修正后的气象预报数据和t-1时刻降噪后的实际风功率为输入,建立基于GA优化LSTM网络的风功率短期预测模型,预测t时刻风场的输出功率。最后,对预测误差进行分析,为进一步提高风功率预测精度建立理论基础。基于实例分析表明:使用本文所提出的混合算法能够较好的提高风功率预测精度,并且易于工程实现。