风电具有间歇性、随机性和波动性。近年来,全球大力发展新能源发电技术,其中风力发电占据主导地位,但是风电在大规模并网后会给电网带来较大扰动,影响电网的安全稳定运行。研究风电集群短期功率预测和概率预测技术,提升风电集群功率的预测精度和预测可靠性,能有效提高电网对风能的消纳能力,为电网的安全稳定运行提供保障。本文从风电集群出力的波动性、基于集群动态划分的风电集群短期功率预测、基于QR-LSTM的风电场短期功率概率预测和基于QR-MGM的风电集群短期功率概率预测四个方面进行风电功率预测技术研究。分析了风电集群出力的波动特性。本文分别从数据的预处理和数据的波动性两方面对风电集群数据进行了研究:首先研究了风电集群异常数据产生的原因和清洗方法,并对清洗后的数据进行标准归一化处理;然后通过分离风电集群功率15min级分量,研究了风电集群出力的波动性,为风电集群功率预测提供理论支撑。提出了基于集群动态划分的风电集群短期功率预测模型。为了有效提高风电集群功率预测精度,本文以K-means聚类算法为基础,提出了一种基于集群动态划分的风电集群短期功率预测模型,并对比研究了选择不同网络训练模型和选择不同集群预测策略时对集群预测精度的影响。结果表明,集群动态划分策略较静态划分、累加法、统计升尺度法和整体预测法,日前（24h）的平均RMSE分别降低了0.13%、0.87%、0.78%和0.97%,短期（96h）的平均RMSE分别降低了0.21%、0.62%、0.53%和0.89%。建立了基于QR-LSTM的风电场短期功率概率预测模型。本文研究了分位数回归原理、长短时记忆网络和核密度估计方法,并结合分位数回归原理和长短时记忆网络提出了基于QR-LSTM的风电场短期功率概率预测模型,研究了风电场输出功率的区间预测结果,并结合核密度估计原理进行了概率预测研究。建立了基于QR-MGM的风电集群短期功率预测模型。相较于风电场,风电集群的输入特征维度更高,数据量更大,LSTM由于结构较为复杂,处理高维数据时运行速度较慢,因此,本文提出了一种结构更为简单的深度学习网络MGM,并结合分位数回归提出了基于QR-MGM的风电集群短期功率概率预测模型。首先研究了集群输入特征的特征选择,然后对比研究了不同模型的风电集群区间预测结果,最后对比研究了不同模型的风电集群概率密度曲线。