风电产生的功率具有波动性、随机性,因此大规模的风力发电并网会给电力系统带来许多挑战。为了解决风力发电的不确定性问题,需要进行不确定性的区间预测研究,来降低由于风电高度波动性给电力系统带来的不良影响,更精确的区间预测结果能提供更多有价值的信息,有助于指导电网的调度规划和大规模风电功率消纳。因此,这项研究对于解决大规模风电并网所面临的问题具有重要的意义;本文深入分析了影响风电功率的因素,在此基础上构建了两种短期风功率区间预测模型,最后通过熵权法对两种模型的预测结果进行加权组合。主要研究工作如下:1、利用基于四分位法的异常数据检测清洗方法与基于K邻近值算法的缺失数据填补方法来准确获取风电数据特征,通过分析风电数据特征与风电功率之间的相关性系数,基于本文所提方法实现数据预处理后的风速、风向对实际功率相关系数分别提升了 4.3%、1.4%。结果表明所提方法模型能够有效提升风电数据与风功率的相关性。2、搭建了动态贝叶斯网络模型和卷积神经网络-长短期记忆网络-胡伯分位数损失函数模型分别进行预测来针对区间覆盖率和区间平均宽度这两个评价指标,对这两种模型的进行算例仿真并对比分析表明,在区间覆盖率指标中动态贝叶斯网络模型输出结果比卷积神经网络-长短期记忆网络-胡伯分位数损失函数模型输出结果平均高出2.46%;在区间覆盖宽度指标中卷积神经网络-长短期记忆网络-胡伯分位数损失函数模型输出结果比动态贝叶斯网络模型输出结果平均收窄13.32%。3、提出了一种基于熵权法的变权区间组合方法,用于结合两个模型的预测优势并提高预测区间的质量。该方法分别计算了两个模型的信息熵权,并对它们的预测上、下边界进行变权区间组合。实验结果表明,该方法相较于动态贝叶斯模型平均缩减了 28.21%的区间平均宽度,且相较于卷积神经网络-长短期记忆网络-胡伯分位数损失函数模型平均提高了 2.46%的区间覆盖率。因此,该方法可以用于提高预测区间的准确性和可信度。4、最后对功率小波动段、功率中波动段、功率大波动段的预测结果对比分析,结果表明基于深度学习和变权组合的预测方法可以在整体上提高区间覆盖率、收窄区间宽度。验证了提出模型的优越性。