随着智能电网的不断升级和可再生能源的全面渗透,大规模风电并网面临着更加严峻的挑战,实现准确可靠的风电功率预测对电网的安全、经济调度、风电消纳等具有十分重要的作用。当前,我国风电功率的点预测精度有待进一步提高,单一的点预测结果给出的信息无法量化风电功率的不确定性。因此,本文旨在提高点预测精度的基础上对风电功率的概率预测进行进一步研究以提高概率预测的可靠性。针对当前风电功率点预测研究中历史信息未被充分利用以及多变量输入无法体现不同特征重要度的问题,将特征注意力机制引入到一维卷积神经网络-长短期记忆网络中,提出了一种基于多变量数据为输入的能够动态考虑不同气象因素与风电功率之间相关度的超短期风电功率预测方法。基于随机森林算法分析了不同高度处的风速、气压、湿度等气象因素对风电输出功率的重要程度,结合累积贡献率筛选气象特征以减少输入维数。以奇异谱分析去噪后的数据作为输入建立级联式多变量预测模型对超短期风电功率进行预测。算例分析结果表明,该方法能自适应挖掘特征关系,动态调整不同输入特征的权重,加强了对预测时刻关键特征的关注度,具有很高的点预测准确度。为了高精度的量化风电输出功率的不确定性,提出了一种集成分位数回归、注意力机制卷积神经网络-长短期记忆网络的混合概率预测方法。基于分位数回归注意力机制卷积神经网络-长短期记忆网络得到的不同分位数预测结果构建了90%置信水平、80%置信水平的区间预测,并利用高斯核密度估计得到90%、80%置信水平下的概率密度。实验结果表明,相比门控循环单元分位数回归、长短期记忆网络分位数回归等模型,本文所提的概率预测方法能够获得更窄的预测区间平均宽度、更高的区间预测精度和更加可靠的概率预测结果。