准确的风电机组发电量预测是有效进行风电系统调度与规划的基础,提高预测精度能够减小风电并网对电力系统稳定性和经济性的影响。由于风速是影响风电机组发电功率大小的最主要因素,在短期风电预测方面,准确的风速时间序列预测模型是关键;在中长期风电发电量预测方面,以往的预测方法对风电机组健康状态的影响考虑不足。本文针对短期风速预测与中长期风电机组发电量预测展开了研究。（1）为提升短期风速预测的准确性,设计了一种同步优化框架下的基于时间序列分解、特征选择、基本预测模型的混合风速预测模型,解决风速序列非平稳性强而难以预测的问题。首先使用变分模态分解将原始风速序列分解为若干子序列并用奇异谱分析对各子序列降噪,再用长短期记忆网络预测各子序列的值最后整合获得风速预测值;其中,各算法与模型的关键参数由序列模型同步优化。结果表明提出的混合模型相较传统模型中具有最佳的多步预测性能。（2）提出了基于多观测序列隐Markov模型的风电机组健康状态评估方法。首先将机组健康状态划分为五个等级,并将机组多个性能观测指标的数据进行预处理后获得性能观测矩阵。引入组合权重描述不同性能指标观测序列之间的相关性,用改进的Baulm-Weltch算法训练性能观测矩阵得到隐Markov模型参数。再分别用Viterbi算法预测机组健康状态序列,用前向-后向算法预测某时刻机组处于某种健康状态的概率。（3）进行了基于风速预测与健康状态评估的风电机组中长期发电量预测。首先利用预处理后的风速-功率数据建立机组各级健康状态下的风电功率曲线,再将健康状态评估结果带入,得到结合健康状态评估的风电机组动态功率曲线。再将由短期风速预测模型得出的风速预测结果用Weibull分布函数进行拟合,得到风速分布概率密度函数。最终结合动态功率曲线与风速概率密度函数预测风电机组发电量。以SL2000/100风电机组发电量预测为例,验证了本文方法的有效性。本文研究的风速时间序列具有长期趋势、循环变动、随机变动的分量,这种特征使得本研究能对时间序列预测算法在其他行业的应用提供借鉴意义。另外,本文所提出的健康状态评估模型不仅适用于风电机的退化过程,适用于其他具有随机退化特征的设备。