风电场发电功率的精确预测对调度部门及时调整发电规划意义重大。利用2020年1月1日—12月31日甘肃酒泉中广核干东风电场的风功率及风塔风速数据，基于多种典型的机器学习算法和单一模型在测试集上表现出的特点，研究K近邻（K-Nearest Neighbor，KNN）、装袋算法（Bootstrap Aggregating，BA）与卷积神经网络（Convolutional Neural Network，CNN）的组合方法，建立融合KNN、BA与CNN的风电功率预测模型。结果表明，单一模型均存在对部分值低值高估的情况，其中多层感知机（Multilayer Perceptron，MLP）、CNN这两种神经网络还存在明显的高值低估现象；BA模型预测精度最高，其在测试集上的均方根误差（Root Mean Square Error， RMSE）为13.08 MW；组合模型均能一定程度上提高单一模型的预测精度，其中CNN组合模型在测试集上RMSE为12.21 MW，比单一模型中最好的BA模型RMSE下降约6.7%，CNN组合模型可以明显改善CNN单一模型高值低估、低值高估和BA模型低值高估的情况。

基于数值模式的太阳辐射预报往往存在一定的系统性偏差,AVT订正方法能够有效降低预报偏差,本文利用该方法对甘肃河西地区两个光伏电站的太阳辐射预报结果进行订正。结果表明:(1)订正前预报偏差呈现明显的“先增加、后减小”日变化特征,订正后日变化特征不明显,并且订正前预报偏差与观测值线性关系显著,订正后线性关系减弱(相关系数降低、拟合优度降低);(2)太阳辐射存在明显的年变化特征,其预报偏差春季最高,其次为夏季,冬季最小,订正后不同季节的预报偏差均降低,春季和夏季降低较为明显。