由于风能的非平稳性和波动性,风电功率的大规模并网将会给电网带来非常大的冲击。对于风电功率的精准预测不仅有利于电网的调度,还可以提高风电功率的利用效率以及保证电网的稳定运行。本文先从用于风电功率预测的风数据着手,对其中的不健全数据进行校正,从源头上减小误差;然后,不只是考虑算法,还根据风速和风电功率的数据特性建立风电功率预测模型,实现风电功率的短期预测,主要研究内容如下:首先,基于风电场实测的风速和风电功率数据的系列研究发现:风速和风电功率是随机性很强的数据,它们表现出非线性和非平稳性特征,同时风电功率的最大Lyapunov指数指明该数据具有混沌特性。其次,针对实测风数据中存在数据缺失和异常问题,采用综合学习粒子群(CLPSO)算法优化的最小二乘支持向量机(LSSVM)模型,即CLPSO-LSSVM模型作为上述不健全数据的校正模型,以相关系数作为评价指标和常用模型的校正结果展开对比,验证本校正模型的有效性。最后,根据风速与风电功率数据的非平稳和非线性特性,组建EEMD-ANFIS预测模型,先使用聚类经验模态分解(EEMD)算法将上述数据分解为一系列相对平稳的分量,然后建立各分量的自适应神经模糊推理系统(ANFIS)预测模型,最后将各分量的预测结果相加得到总的预测结果。又分别结合气象因素对风电功率的影响、风电功率的混沌特性、风速到风电功率的转换曲线建立了三种基于EEMD-ANFIS的预测模型,评价三种预测模型的精度高低以判定出最好的预测模型。