非可再生能源枯竭及生态环境恶化驱使大力发展可再生清洁能源利用成为全球共识。就风电而言,由于风能时变波动性、多变性及概率的不确定性,难以准确把握其发电规律,由此威胁电力系统的安全经济运行。如何有效把握风电功率时变规律,提升电网接纳风电的能力,依然面临困境。本文以多风场集群集成为背景,以时空特征挖掘为线索,以随机概率分析为手段,对集群风电功率预测展开研究,对把握风电变动成因及应对策略具有重要的理论意义和工程价值。风电功率预测方法根据结果表现形式的不同可以分为确定性预测和概率预测。前者研究已相对成熟,并得到广泛应用。后者,如今成为研究热点。由于数值天气预报精度的有限性以及预测模型的局限性,仅提供单一期望值的确定性预测方法不仅不符合风电实际的随机特性,同时又不可避免的存在预测误差,构成信息不对称。为了适应风力发电的特性,为决策者提供更丰富的信息,量化风电功率概率分布的不确定性和不均匀性十分重要。由此,工程界和学界展开对风电功率概率密度、分布函数、或置信区间等的深入研究,其目的是为决策者提供更符合实际的信息,这使风电的接纳更有针对性,从而使决策成本降低。然而,目前绝大多数风电功率预测的研究集中于单一风电场,对风电集群功率预测的研究相对较少,这样无疑使并网风电总体规律没有得到有效的反映,因而也就增大了电力系统运行决策的成本。因此,迫切需要对风电集群发电功率的概率预测技术展开研究。风电集群发电功率预测相比单一风电场站功率预测要复杂,为进一步提升预测结果的精度,就面临数据量大、场站间时空相关性复杂等问题。本文利用深度学习技术,提出了时空特征深度挖掘的风电集群发电功率短期概率预测方法研究。深度学习是一种基于数据驱动的人工智能算法,其优点在于能有效处理大数据,通过自主学习充分挖掘集群风电功率与各个变量之间的潜在关系,无需直接对系统进行建模。论文的主要工作与贡献体现如下:首先,在对研究背景和意义及其研究必要性进行阐述的基础上,对风电集群发电功率预测的数据预处理、数据特征进行了详细分析。基于深度学习理论,提出时空特征深度挖掘的风电集群发电功率短期概率预测的框架。其次,依据神经网络和分位数回归算法,提出了一种基于改进BP神经网络分位数回归的风电集群发电功率概率预测方法。该方法通过设计BP神经网络局部连接结构,增强了模型处理大数据和非线性关系挖掘的能力;通过有效处理相关激活函数及损失函数,增强了算法的适应性和模型的泛化能力,从而实现短期风电集群发电功率概率预测。最后,在上述研究基础上,通过数据结构化表达、卷积神经网络与长短时记忆神经网络深度学习技术的应用,深入挖掘集群功率预测输入数据的时空关联关系,提升网络构建的有效性,建立了时空特征深度挖掘的风电集群发电功率短期概率预测方法。全文基于江苏某风电基地实际数据进行算例分析与验证,表明本文思路、方法及算法的有效性和正确性。