面临“碳达峰、碳中和”不断增强的约束,大力发展风电是保障能源安全、实现电力系统绿色转型的关键举措之一。风力发电的可靠预测是提高风电消纳水平的重要保障,然而受环境因素影响,风能的随机性较强、风电功率的波动性较大,风电场运行管理和电网调度规划面临较多的不确定性。为了提高风电功率的预测精度、提升风电并网的可靠性,构建合理的预测模型成为亟待解决的问题。本文以环渤海地区黄骅风电场为研究对象,首先重点分析了该地区的风能资源特性,同时论述了影响风电出力的重要影响因素;在此基础上,针对风电功率原始数据中存在较多异常值影响数据质量和预测精度的问题,提出了一种基于四分位与改进孤立最近邻方法的异常值检测模型,根据数据分布特征利用四分位法进行初步检测,对其检测不充分的数据利用改进孤立最近邻的方法进行二次检测;最后使用样条插值法对缺失数据修复,从而提高了数据质量、减小了异常值的影响。其次考虑到环渤海地区风电功率波动较大,以及时间卷积网络学习率变化单一不利于收敛的问题,提出了一种基于自适应集成经验模态分解和改进余弦退火优化时间卷积网络的超短期预测模型。利用自适应集成经验模态分解算法获得原始功率中更加平滑的特征序列,以改进原始序列波动性带来的预测误差过高的问题;通过衡量排列熵重构模态函数,减小因维数过大带来的计算复杂度;利用改进余弦退火优化的时间卷积网络预测未来功率输出。通过对比6种不同模型的预测结果,验证了该方法的有效性。接着针对风电功率短期预测效率不高的问题,提出了一种基于时间卷积网络与Informer模型的风电功率组合预测模型,时间卷积网络用于预训练以获得气象数据的映射输出,Informer模型用于提取历史信息、生成多步预测。考虑到实际应用中输入维数过大带来的信息干扰等问题,提出了一种基于最大信息系数的输入特征选择方法,同时使用动态时间规划的方法对历史功率输入步长择优选择;为了衡量波动性带来的影响,在确定性预测的基础上,利用pinball损失函数得到了时间卷积网络与Informer组合方法的分位数回归模型。与传统模型进行对比,在确定性预测与区间预测两个方面证明了该模型的有效性。最后,为解决风电场实际运行管理需求,本文根据上述预测模型,通过集成多种预测方法,基于Python语言设计开发了一款风电场功率预测软件。该软件包含了数据管理、异常值处理、功率预测、误差分析等功能,具有一定实用性。