风能作为绿色可再生的新型清洁能源,是国家和社会能源结构中重要的组成部分。随着风力发电产业的迅速崛起,大规模风电场并网的实现,随之而来的对风电机组的功率预测工作也越来越重要。但由于影响风电机组功率的因素多,且影响因素具有随机性和间歇性,因此对风电机组的功率进行研究是具有挑战和深远意义的。本文通过对现有风电机组功率预测研究的分析,为了提高风电机组功率预测精度,提出了一种新的改进萤火虫算法,实现对支持向量机回归模型参数的选取;将与风电机组功率关联度较大的因素作为模型输入,提高了预测的精度。主要研究工作如下:首先,针对现有的风电机组功率预测研究进行分析,证明了支持向量机比传统统计学理论存在优势。在分析最小化经验风险、最小化结构风险、VC维等理论之后,引入支持向量机回归的基础理论和原理,利用功率误差作为评价标准与其他算法进行对比,证明支持向量机在解决小样本情况下的机器学习问题具有较好的泛化能力。通过计算SCADA监测项目与输出有功功率之间的皮尔逊相关系数,得到对风电机组功率影响最大的四个因子。其次,提出了一种利用集成思想的改进萤火虫算法的优化支持向量机回归模型参数的功率预测方法,采用改进后的萤火虫算法选择合适的支持向量机回归模型参数,增强了预测精度。根据平均绝对误差和均方根误差,将改进的FA-SVR模型的结果与PSO-SVR和GS-SVR的结果进行比较,证明了改进FA-SVR模型具有比GS-SVR模型和PSO-SVR模型更高的精度和更好的效果,可以用于进行风电机组功率的预测。最后,将对风电机组功率影响较大的四个因素组成四维数集作为支持向量机回归模型的输入,通过有效性分析和结果分析,证明了改进算法的有效性。