随着大规模使用与消耗传统化石能源，风能，作为可再生能源的一种，在世界范围内得到了大力地发展。然而，由于风能具有随机波动性，大规模风电并网会对电力系统安全运行造成不利影响。为了确保电力系统稳定运行，合理调整调度计划，提高风电竞价能力，有必要进行短期风电功率地准确预测。本文通过对实际风电场数据特性进行分析，探寻不同影响因素与风电功率预测之间的关联性，为选择预测建模方法提供理论基础，不断优化预测模型，进一步提高短期风电功率预测精度。本论文主要完成了下述研究工作：　　首先，以风电机组的功率模型为基础，研究了风电机组输出功率的主要影响因素，然后以美国可再生能源实验室提供的加利福尼亚州某风电场2012年实测数据进行风电场数据特性分析，为下文预测建模奠定基础。　　其次，介绍了相关向量机与核函数的基本原理，在此基础上建立了基于组合核相关向量机短期风电功率预测模型，通过实际算例对多项式核、RBF核和组合核三种相关向量机进行对比，结果表明组合核相关向量机比其他两种模型具有更优的预测效果。　　随后，针对组合核相关向量机预测模型的参数优选问题，分析了径向基核参数、多项式核参数d与权重参数的作用以及对相关向量机性能的影响，提出一种基于混沌布谷鸟算法优化的相关向量机(CCS-RVM)短期风电功率预测新方法，通过实际算例进行仿真验证，结果表明混沌布谷鸟算法解决了RVM建模存在的不足，有效地提高了组合核相关向量机预测模型的预测精度。　　最后，针对风电功率序列非线性与非平稳特征，为了提高预测模型在功率快速波动时段的预测精度，提出了一种基于变分模态分解和排列熵的短期风电组合预测新方法，通过实际算例进行仿真验证，结果表明变分模态分解方法有效地降低了风电功率序列的非平稳性，进一步提高了预测模型的预测精度，排列熵算法缩短预测模型的训练时间，提高了预测效率。所提方法从整体上提高预测模型的预测效率与预测精度，具有很好的应用潜力。