以可再生能源为主要一次能源,支持大量分布式发电单元和储能装置的接入,是解决能源紧缺问题的重要手段。其中,大规模风能开发与高比例风电并网是目前的大趋势,是实现能源可持续发展的战略需求。电力系统的安全稳定运行需要实现能量的实时平衡,但风电出力受外界环境影响大,具有随机性、波动性、间歇性、周期性的特点。当其大规模接入中低压配电网时,会使电网的运行稳定性和用户的供电可靠性面临严峻挑战。为解决两者之间的矛盾,在电网调度尺度上对风电功率进行准确预测,利用预测数据提高系统的调度能力,是最为经济的手段,可有效地减少储能设备、灵活调节源端的投资。数据质量、预测模型的构建、数据数量都会影响到预测的效果,因此,围绕风电预测问题,本文基于神经网络,主要进行了以下研究:针对业内风电数据质量衡量标准较为粗糙的问题,提出了一种结合变点法及局部异常因子算法（Local Outlier Factor Method,LOF Method）的多尺度风电数据检验策略来进行异常数据检测,在行业小时级风电质量要求基础上,结合变点法和LOF进行分钟级的异常数据点检测。通过对仿真数据进行实验,验证该异常数据检验策略的可行性及有效性。针对传统的异常数据修正方法数据源要求高、计算量大、可行性不高等问题,提出对于单一变量的片段式数据滚动双向修正方法,引入异常点正向偏向权重,考虑异常点片段前后时间序列的点相互之间的关联性,尽可能保留数据的时间特性;同时对于风速-功率的多维数据组,提出区域随机填补方法,尽可能地保留了多维数据间的关联性。针对样本数量充足时预测模型训练记忆性不强的问题,提出一种结合注意力机制和长短期记忆算法的风电预测模型,更好地挖掘时间序列数据的时间特性,提高预测精准度。并通过真实风场实测数据进行实验,对该模型的可行性及精确性进行验证。针对现实中风场数据不足导致的预测模型精确度差的问题,提出一种基于模型迁移的风功率预测方法,通过迁移高相似度风场模型参数,实现少样本量情况下风电预测模型的训练优化。通过对不同相似度风场数据进行迁移,讨论了相似度与迁移效果的相关性。