随着风电并网规模的扩大,风能的间歇性、波动性和随机性会对电网造成巨大冲击,准确的风电功率预测能有效的制定发电计划和统筹调度,从而保证电力系统的稳定运行。由于风能的随机性和波动性,单一的预测模型难以得到令人满意的结果,为了提高预测精度和鲁棒性,本文以集成学习思想为基本框架,研究基于集成学习的高性能风电功率预测方法。论文的主要研究内容如下:（1）针对传统集成风电功率预测方法中基模型多样性构建不充分、未考虑集成修剪和无法描述预测的不确定性等问题,提出了一种基于有限混合高斯过程回归的选择性集成风电功率概率预测方法。该方法以高斯过程回归为基学习器,通过多模态扰动机制充分激发基模型的多样性,并利用遗传算法和有限混合机制实现对基模型的选择性集成。此外,该方法还搭载了自适应更新机制为了缓解风电数据的概念漂移。最后通过美国一个真实风电场数据验证了该方法的有效性。（2）风电历史数据蕴含着多种复杂状态特征,而全局建模往往因为缺乏有效的局部描述能力,导致风电功率预测性能受限。为此,引入局部学习建模思想,结合选择性集成学习策略,提出一种基于进化多目标优化的选择性异质集成风电功率预测方法。首先,综合K均值聚类和K近邻的优势实现局部区域辨识;随后,利用多种建模技术建立具有多样性的异质模型库;最后,利用进化多目标优化实现基模型的集成修剪,并利用简单平均的方式得到集成预测输出。通过云南省一个风电场数据验证了该方法的有效性。（3）鉴于全局模型不能有效表征风电波动状态的局部特征而且无法实现自适应更新导致风电功率预测性能不足,提出一种基于自适应选择性集成即时学习的风电功率预测方法。该方法以极限学习机为基学习器,采用即时学习思想建立一个多样性的模型库。对于一个新的测试样本,首先构建一个即时学习预测模型,并将其加入模型库,然后选择一个相似样本集评估基模型的性能,最后挑选出一组最佳基模型进行自适应集成。当获得最新的风电数据后,采用移动窗口技术对建模数据库进行自适应更新。通过两组真实风电数据验证了所提方法的有效性。