风电具有随机性、波动性的特点。在风电大规模接入电网后，风电会给电力系统带来较大的扰动，是电网安全稳定运行的一大挑战。风电集群功率预测是提高风能消纳能力的有力措施。论文从特征选择和数据挖掘的角度研究了风电集群短期功率预测技术，主要内容包括风电集群特征构建、风电集群特征选择、基于特征选择的集群短期功率预测、基于多特征相似度匹配的集群短期功率预测四个方面。
　　开展了基于多种数学方法的风电集群特征构建。通过对原始数据进行来源分析和数据预处理，提高了数据的有效性。通过对预处理后的风电数据进行了特征构建，构建出了风电集群数据的高维特征库,实现了风电集群原始数据信息的充分挖掘。
　　提出了风电集群多阶段特征选择模型。论文基于三种特征选择方法建立了风电集群多阶段特征选择模型，在不同阶段选择合适的特征子集，采用风电集群功率预测模型对特征子集进行了评估，并与未经特征选择的特征集进行了对比，最终选择出了最优特征子集。
　　建立了基于XGBoost的风电集群短期功率预测模型。在特征选择结果的基础上，通过对XGBoost关键参数的优化，分析了现有模型中制约短期预测精度的因素，并研究了模型泛化能力和输入特征个数对短期预测效果的影响，最终得到了泛化能力强的集群短期预测模型，提升了模型短期预测精度。
　　提出了基于多特征相似度匹配的风电集群短期功率预测模型。通过引入功率调节系数，改进了原有模型的特征距离计算公式，并对模型四个关键参数进行了多阶段优化研究，与传统方法进行了对比。结果表明，改进模型的预测精度相对于改进前有明显提升。