随着全球经济的快速发展,世界能源市场面临深刻地变革。一方面传统化石能源造成的生态环境污染不可小觑,另一方面人类对于能源需求不断提高。在此背景下,大力发展新能源技术,完成能源转型是大势所趋。作为一种在广泛分布且存储量巨大的绿色能源,风能已经成为缓解人类能源危机的重要资源之一。近几年风电行业发展迅猛,全世界风机装机容量逐年上升。与此同时,由于风资源本身的间歇性、不稳定性和突变性,准确及时的超短期风资源预测对于整个风电系统至关重要。一方面超短期风资源预测协助风电机组稳定控制,协同变桨系统、偏航系统等提升发电效率,降低机组机械损耗;另一方面风电场的场级功率分配和调度需要提前感知风速风向的变化情况;另外风速变化导致的扰动会影响电能质量,造成电压闪变和波动,引发谐波问题和频率偏差,及时准确的风资源预测可以联动火电进行调峰辟谷,把偏差控制在一个电网能够接受的范围。本文结合风电领域对于超短期风资源预测的实际需求,深入研究了基于风电大数据的实时超短期风速和风向预测研究技术,从数据分析与预处理流程、风速预测模型建立、风向预测模型建立三个方向出发,开展以下研究工作:首先,面对海量风电数据存在特征维度高冗余大、时序特征复杂分析难、数据质量低缺失多的问题,提出一套完善的数据预处理机制,为后续建立预测模型奠定基础:包括特征筛选、时序特征分析和离线缺失值填补三步。其中,采用融合Pearson相关系数-互信息-χ方分布的特征筛选方法选择特征信息;利用自相关系数与协自相关系数分析时序变化规律并确定预测训练集大小和输入样本步长;充分挖掘缺失数据上下关联时序信息,提出采用邻近均值预填补结合双向长短期记忆递归网络进行离线缺失数据填补方案。其次,在数据预处理完成的基础上,面对超短期风速变化的波动性、不稳定性和突变性以及在线预测实时性需求,提出一种基于改进宽度学习系统与参数自适应优化的并行多模型集成风速预测算法:采用一种参数优化机制满足超短期预测实时更新需求,引进多种单模型进行超短期风速预测;在此基础上通过改进传统的宽度学习系统提出多通道宽度学习系统进行组合预测,最终取得更最优的预测效果。最后,针对风向特征的旋转特性和风电场由于位置和季节变化导致的主导风向引起的样本不均衡特点,导致风向预测稳定性差,精度低,基于第三章的组合预测模型提出一种基于随机森林区间划分概率决策的组合风向预测算法。其中,针对旋转特性提出分解风向以解决风向特征存在的旋转性和“伪奇异值”问题,针对风电场主导风向导致的样本不均衡问题,本研究使用随机森林对风向做先分类再预测,输出预测区间的概率分布,再输出最终预测结果。