为积极应对气候变化,力争完成“碳达峰、碳中和”的远景目标,大规模风电并网逐渐成为了世界能源格局的发展趋势。但是风能的强随机性和间歇性的缺陷容易导致风电功率在短时间内发生大幅度波动,由此造成的风电爬坡事件时刻影响供电侧与负荷侧的平衡,给电网安全可靠运行施加了巨大的压力。因此,实现高准确率的风电爬坡预测能够最大限度地降低风电波动对电网的冲击,有利于提高电网的调峰能力和消纳能力,充分发挥风能的优势。本文研究工作如下:针对风电场发电功率的短期预测问题,提出了基于半监督学习和生成对抗网络（Generative adversarial network,GAN）的组合预测模型。通过变分模态分解对初始风电数据进行预处理,然后针对预测任务设计了生成-判别对抗模型,生成模型可以产生虚拟样本从而提高模型的泛化能力,判别模型用来提取所有子序列中的非线性特征,判别模型末端的逻辑回归层整合非线性特征并给出预测值。通过真实风场数据的仿真和对比分析,验证了所提的半监督生成对抗网络（Semi-supervised generative adversarial network,SSGAN）预测方法的有效性。针对风电场发电功率的爬坡预测问题,提出了基于多步自校正滚动窗口算法和多标签学习的预测模型。采用自校正滚动窗口算法优化了基于SSGAN的迭代多步预测,通过多次的“训练-测试”过程最大限度地消除预测误差的迭代累积效应,从而提高了风电功率多步点预测的准确率,然后建立了基于多标签学习的爬坡分类方法,根据爬坡强度和爬坡方向,将爬坡事件细分为五类。最后,通过对比校正前后的爬坡预测结果,验证所提自校正爬坡预测方法的先进性。针对考虑多风电场之间时空相关性的爬坡预测问题,提出了基于SSGAN和长短时记忆神经网络（Long-short term memory,LSTM）的预测方法。分析了多风场时间序列数据的相关性,采用SSGAN模型提取空间特征,采用LSTM存储单元提取时间特征,然后基于SSGAN-LSTM组合模型综合学习多个风电场之间的时空特征,获得隐含的映射关系并推断可能发生的爬坡事件。通过对比多风电场组合预测与单一风电场预测的结果,验证所提组合预测方法的有效性。综上所述,本文围绕风电功率预测与爬坡预测展开研究,以GAN为主体,结合变分模态分解、半监督学习、自校正策略等算法增强GAN的泛化能力,提高了风电功率预测和爬坡预测的准确率。有利于风场合理安排检修和停机计划,促进风电的有效利用,提升风电与电网的友好性,同时降低了风电爬坡事件对电网可靠性的负面影响,为调度人员制定对应的调度计划提供了理论依据。