当前对风能的利用主要通过风力发电并网,然而由于风能的波动性与随机性,风电并网对电力系统的稳定运行必然会产生影响。对风电场的输出功率进行预测能有效提高风电并网的安全性与稳定性,但其预测精度受到风能本身随机性影响,如何进行提高值得研究。本文采用美国某风场的历史实测数据,基于机器学习算法,针对不同预测尺度采用不同的预测模型和方法进行了风功率预测的研究,具体研究内容如下:首先,针对超短期风功率预测,考虑风功率时间序列不会产生大的突变,因此在以往的研究中很多都将持续性模型作为一种基准模型。但持续性模型对时间序列预测仅仅考虑前一时刻的值,存在着一定的局限性。为了融入更多输入特征,提高模型的非线性学习能力,因此分别选用支持向量机模型、随机森林模型以及高斯过程回归模型三种机器学习模型进行超短期风功率预测研究,并比较分析了三种模型与持续性模型的预测效果以及模型各自的优缺点。实验结果表明机器学习模型在超短期风功率预测中具有良好的性能。其次,在短期风功率预测中,由于风功率序列本身的随机性与波动性,随着预测时间尺度的增加,风功率预测精度会不可避免地降低。为了降低风功率序列的随机性,结合经验模态分解算法(EMD)和随机森林模型(RF),本文提出一种EMD-RF组合模型以提高预测精度。通过经验模态分解算法分解原始风功率序列,再对各子序列分别通过随机森林模型进行预测,最后将各子序列的预测值相加得到最终的预测结果。实验结果表明,在提前一小时的预测尺度下,相比三种单独使用的机器学习模型,所提出的组合预测模型预测精度有显著的提高。最后,针对短期多步风功率预测,为了更好地学习到风功率序列的变化趋势,本文提出一种基于风速相似日聚类与机器学习模型结合的方法进行预测。选取与风功率相关性最高的风速值作为特征,将风速变化相似的样本日通过改进的K-means算法聚类后分别进行模型的训练,之后对预测日判断其所属的风速日类别,并通过相应的模型进行四次连续六小时的多步预测。实验结果表明,通过风速相似日聚类进行训练数据的筛选,能够有效地提高短期多步风功率预测的精度。