风能是一种可持续发展的清洁能源,但由于具有随机性和波动性为其发展带来了很大的挑战。为了能够大规模的开发和利用丰富的风电资源,同时为了对电网进行有效的计划和调度,保证风电并网稳定运行,需对风电功率进行有效的预测。因此,针对上述问题本文选用湖南某风电厂实际运行数据作为实验数据,提出多种模型对风电功率进行短期预测。具体工作如下:本文提出一种椭圆轨道模型对风电功率进行短期预测。首先采用去趋势波动分析法对样本数据进行平滑处理,解决风电功率数据突变的问题,然后应用椭圆轨道模型对风电功率进行短期预测。采用湖南某风电厂实际运行的4组数据进行验证,实验结果表明,椭圆轨道模型的预测误差在可接受范围之内,为短期风电功率预测提供了一种新的参考方法。针对风电场所提供的原始数据具有一定的冗余性和复制性,本文首先采用主成分分析对原始数据进行预处理,即对其进行降维处理,再采用果蝇算法优化广义回归神经网络对样本数据进行风电功率预测,与PSO-RBF、PSO-BP等模型进行对比分析,研究结果表明,果蝇算法优化广义回归神经网络具有更高的预测精度。为提高风电功率短期预测的精度,提出一种采用主成分分析法和果蝇优化随机森林算法(FOA-RF)对风电功率进行短期预测。首先采用主成分分析对样本数据进行降维处理,提取有效的主成分以降低预测模型的复杂度,然后采用果蝇优化算法对随机森林中生成决策树数目和选择分裂属性个数进行优化,构建了一种优化的随机森林模型,与FOA-GRNN、PSO-BP和PSO-RBF进行对比分析,研究结果表明,FOA-RF具有更高的预测精度和更快的收敛速度,为短期风电功率预测提供了一种有效方法。