随着风电机组装机容量的大量增加以及风力发电技术的快速发展,电网对于风能转化为电能继而进行并网运行的稳定性与安全性的要求愈发严格,而通过预测未来短期内风电场及风电机组输出功率的大小并制定相应的运行策略和调度计划可有效解决这个问题。但是由于风能具有很大的波动性、突变性等特性且风电机组在运行过程中会发生无法控制的障碍以及预测模型精度不够高的原因,总会导致功率预测值的精度不够高,故而为了获得更高质量的功率预测值,十分有必要选取构建模型所需要的数据及其特征和提高模型本身的精度。本文从SCADA系统收集的数据出发,针对孤立森林算法清洗以风速功率数据为代表的风电机组数据时复杂异常数据评分界线难以界定、底部堆积异常数据难以识别、数据主带边缘的毛数据无法识别以及无法识别弃风异常数据的缺点,分别提出一种由孤立森林算法、四分位法、依据数据的数量分布特征划分风速区间法、最小二乘法、3sigma法五种方法联合的方法和孤立森林算法、依据数据的空间分布特征划分风速区间法、比恩法、最优组内方差法等四种方法联合的方法从两个角度对风电机组中的运行数据进行了异常剔除。结果表明,与传统孤立森林算法相比,前一种联合方法能够正确界定孤立森林算法中正常数据评分与复杂异常数据评分之间的分界线,能够剔除弃风异常数据以及对于主数据底部的堆积异常数据、主数据边缘的毛数据等局部异常数据具有更好的剔除效果;而后一种联合方法对于其构建的单个小区间内的正常异常性分布特征较为简单的数据具有更好的局部异常剔除效果以及对于弃风异常数据具有更好的剔除效果。基于剔除异常后的数据,首先对缺失数据以邻近数据的平均值进行了重构;然后考虑到不同特征参数对于输出功率的不同解释,使用偏最小二乘法提取了对输出功率起主要解释作用的六个特征,之后将数据中的此六者特征作为预测模型的输入;又考虑到卷积神经网络对于信息高层次特征提取的高效性和长短期记忆网络对于回归预测的准确性,使用卷积神经网络结合长短期记忆网络的联合模型对单个风电机组的输出功率进行了预测;最后,为了验证所提模型的精确性与高效性,使用平均绝对误差、均方根误差、相关系数对基于误差反向传播的多层前馈网络、极端梯度提升树网络、长短期记忆网络、卷积神经网络结合长短期记忆网络的联合模型四种功率预测模型的测试结果进行了对比,结果表明,本文所提模型优于基于误差反向传播的多层前馈网络、极端梯度提升树网络、长短期记忆网络。