风能资源具有波动性和不确定性,因此,风电机组大规模并网会给电力系统的调度产生很大影响,同时也会导致风电场弃风限电问题的产生。所以,如何有效地完成风电功率预测工作,对风电并网和风电的有效利用至关重要。为了提高风电功率短期预测精度,本文提出了一种基于小波包分解(Wavelet Packet Decomposition,WPD)和自适应的完备经验模式分解(Complete Ensemble Empirical Mode Decomposition Adaptive Noise,CEEMDAN)的组合二次分解模型对历史风电功率数据进行预处理。该模型首先将历史风电功率数据进行3层小波包分解,得到一系列高频分量和低频分量子序列,然后对所有高频分量子序列采用自适应的完备经验模式分解进行二次分解,得到一系列本征模函数(Intrinsic Mode Function,IMF),最后将所有子序列进行归一化后作为后续预测模型的训练数据和测试数据。然后,本文提出了一种基于改进的门控循环单元(Gated Recurrent Unit,GRU)神经网络的风电功率短期预测模型,GRU神经网络是一种新型的循环神经网络(Recurrent Neural Network,RNN),可克服传统RNN无法很好处理远距离依赖的问题。该模型首先采用缩放指数线性单元(Scaled Exponential Linear Units,SELU)激活函数对GRU神经网络进行优化,然后利用自适应计算时间(Adaptive Computation Time,ACT)算法对改进的GRU神经网络进行优化,建立了自调节的多层风电功率预测模型。本文最后采用TensorFlow分布式机器学习框架来实现模型的训练和测试,实验证明,本文提出的模型相对基准模型,具有更好的预测精度。