随着社会的发展,人们对能源的依赖性越来越高。传统的化石燃料已经不能满足人类的发展需求,还会危害我们的环境。在这种情况下,风能作为一种可再生的清洁能源越来越受到人们的关注。风力发电虽然在我国发展了很多年,但一直没有被大规模使用。主要的原因是风电输出具有随机性,波动性,不可控性等特性。这些特性使得风电输出的质量没有保障,给大规模并网带来了挑战。为了保证电网的安全,对风电功率做出精确预测的需求越来越紧迫。通过总结近年来相关领域的研究,并对当前风电功率预测方法进行分析。论文主要包括以下几个方面的内容:(1)首先了解了风力发电的原理,总结了影响风力发电的因素,分析了风电功率数据的特征。(2)依据风电功率数据特点,采用了LSTM模型预测风力发电功率。根据数据的时序性特点构建了7种不同的数据集,并根据不同的输出要求构建了两种基于LSTM的模型结构。通过对比试验选出预测效果最好的数据集和模型结构。探究了Dropout机制和激活函数对模型的影响。除此之外,从预测精度和训练时长两个角度比较不同深度模型的优劣。(3)提出一种基于LSTM模型的集成预测方法。先通过LSTM训练多个弱预测器,再通过Adaboost方法对数据样本和弱预测器进行权值分布,最终得到一个强预测器。仿真实验表明:通过Adaboost方法集成的LSTM模型相比于LSTM模型预测精度提高了2.6%。由于风电功率预测对时效性要求较高,所以对输入模型的数据进行了降维处理,以减低模型的复杂度。仿真实验结果表明:在预测精度不变的情况下,训练时长减少了三分之一。仿真实验结果表明:使用LSTM模型进行短期风力发电功率预测的效果要优于传统模型,LSTM的预测精度相比SVM提高了3%。经过集成后的LSTM_Adaboost模型相比LSTM提高了2.6%。