风电功率大规模并网过程中出现的波动性和间歇性等缺陷,会严重影响大电网的潮流断面以及电力系统的电能质量等,甚至危机电力系统的安全稳定运行。为减少风电大规模并网过程中对大电网产生的冲击,制定和安排合理的风电调度曲线可以有效的避免风电功率的波动性对大电网产生的影响。通过风电功率预测可以有效的减少风电场的运行成本、提高风电参与并网竞价的优势以及改善风电大规模并网过程中对电力系统带来的影响。因此,基于人工智能算法开展风电功率预测的研究并对预测模型进行优化,对于提高风电功率预测的精度和并网调度的可靠性具有重要现实意义,并具有很好的学术价值和工程实用价值。本文以风电功率短期、中长期预测方法为研究对象,开展风电功率预测的研究,主要研究工作如下:(1)介绍了风电功率历史数据的预处理过程;并对风电功率历史数据预处理后得到的原始数据进行特征量提取,以实现高低频信号的分离得到模态函数;最后,介绍了风电预测模型的评价指标;(2)基于经验模态分解的神经网络算法开展风电功率短期预测研究。基于经验模态分解对经过数据预处理后的风电原始数据进行特征量提取;在完成特征量的提取后将特征量输入至神经网络模型算法中进行训练,完成风电功率的预测;并以国内某风电场历史数据为例,对预测模型进行有效验证,预测精度较高;(3)基于经验模态分解与灰色预测算法的风电功率中长期预测模型。为验证基于经验模态分解与灰色预测算法的风电功率中长期预测模型的有效性,通过分析GM(2,1)、EMD、EMD-BP、GM(1,1)四种预测模型的RMSE和MAPE误差计算结果,验证了本章所采用的基于经验模态分解的二阶灰色预测模型可以实现风电功率序列进行精确预测。(4)在第三章和第四章的基础上基于Matlab仿真软件完成了风电场风电功率预测系统软件开发,并通过风电采样数据进行系统软件的测试,构建了具备用户身份权限功能、数据采集功能、预测模型建立、数据处理功能、预测及误差分析等为一体的风电功率预测系统软件。本文的研究成果可为风电功率预测提供技术支撑。该论文有图31幅,表4个,参考文献84篇。