随着风电并入电网的比例逐年增加，由此而引起的电力系统功角失衡、抗干扰能力下降等问题日益严重。因此，有必要通过准确的风电机组出力预测，制定合理的电能调度计划、建立完善的风险预判机制，以保证电力系统稳定、安全地运行。　　由于风机生产厂家提供的功率曲线只反映了风电机组的稳态运行状况，用来分析实际运行状况时则存在明显偏差。本文在修正风电机组功率曲线的基础上，建立了基于遗传算法-径向基函数神经网络（GA-RBF）的出力点预测模型和基于模糊信息粒化-最小二乘支持向量机（FIG-LSSVM）的出力区间预测模型；对预测问题用组合预测的方法进行了研究，建立了基于遗传算法-径向基函数神经网络和最小二乘支持向量机（LS-SVM）的出力组合点预测模型和基于模糊信息粒化-最小二乘支持向量机和混沌时间序列（CTS）的出力组合区间预测模型。　　对建立的预测模型，在 MATLAB环境中利用酒泉某风电场和美国 Wisconsin州butler ridge风电场的现场实测数据进行了仿真验证。实验结果表明利用组合预测方法能明显提高模型的预测能力，而通过基于组合算法建立的出力区间预测模型得到的预测结果具有更优的指标水平，相应的变化区间能更好地反映出力在未来时刻的波动范围和变化趋势。