近年来,我国大力发展风力发电技术,在促进经济发展的同时,保护地球生态环境免遭破坏。风能具有较强的波动性和不确定性,在大规模风电场并网运行时,会对主电网运行带来诸多不利影响。因此,分析风资源中存在的时空特性,可以提高风电功率预测的精度。在风电机组出力出现波动的情况下,提前通知电网调度准备足够的调峰容量,可以为电力系统的安全稳定运行提供有效保障。为了分析风电集群内部存在时空特性,提出了一种基于时空神经网络模型的风电功率短期预测方法。将风电集群中各个风电场的数值天气预报数据进行重构,得到包含丰富时空信息的时序特征图。通过卷积神经网络对时序特征图进行特征提取,保留数据的空间特性,之后利用长短期记忆神经网络进行训练,挖掘数据的时序特征,进而得到最后的短期预测结果,同时也验证了风电集群内部存在时空关联。为了得到风电集群准确的功率预测结果,从风电场机理出发研究,考虑风机的静态特性与动态特性。使用历史风速和功率数据拟合风速功率曲线,并将其与标准风速功率曲线进行比较。通过改进的模糊C均值聚类（Fuzzy C-means Algorithm,FCM）方法,将风电场的功率曲线分为三类,并且将离集群中心最近的曲线定义为等效功率曲线,进而对风电集群功率进行预测。为了分析风电出力不确定性的情况,首先对单个风电场进行分析,计算点预测过程中产生的误差大小,利用自组织神经网络（The Self-organizing Neural Network,SOM）聚类将风速大小分为四个区间段,并且在相应区间段利用非参数核密度估计对误差分布进行拟合。在概率论的基础上,将时空相依性理论应用到风速与误差之间,建立风速-误差联合概率密度分布模型。在单场站建模的基础上,构建了风电集群中多位置风电场之间的不同数值天气预报（Numerical Weather Prediction,NWP）特征与误差之间的联合概率分布模型,通过灰色关联分析各个因素的重要程度,利用Copula熵求取各个特征所占权重,为风电集群短期概率预测奠定基础。为了充分挖掘风电功率预测中存在的不确定性信息,提出了一种基于Bootstrap抽样的风电功率短期概率预测模型。每个风速区间段所对应的概率密度分布函数是非连续的,因此利用重构后的累积概率密度所对应的误差序列作为新的数据样本,采用Bootstrap方法进行有放回的抽样。在设定的不同置信水平下,分别求取各个置信区间大小,并与仅考虑误差的情况进行对比分析,说明考虑风电集群内部存在的误差时空相依性,能够用有效提升概率预测的精度。