风能是一种绿色清洁、可持续发展的能源,近年来由于发电技术成熟和成本降低受到各国青睐。然而,大规模风电接入给电力系统安全和稳定运行造成许多不利的影响。许多风电场为保证出力稳定,出现大量弃风的现象,提高风电功率预测准确性刻不容缓。本文从异常风电数据识别和修正、风电序列数据分解和多元预测模型这三个方面对风电功率预测模型进行优化,主要研究工作如下:首先,针对异常风电数据增加模型训练难度的问题,本文分别采用基于密度的噪声空间聚类算法（DBSCAN）和改进K邻近算法（KNN）对异常风电数据进行识别和修正。DBSCAN打破了传统聚类算法聚类形状固定的束缚,可以对密度堆积的正常风电数据和离散的异常风电数据进行有效识别。改进KNN算法在传统算法的基础上充分考虑了风速和风向对风电功率的影响,实现对连续多个异常数据修正的同时提高了修正精度。经实例验证,基于DBSCAN和改进KNN的异常风电数据识别和修正方法能保证训练数据的有效性和准确性,提高模型预测精度。然后,针对风电数据随机性和波动性降低模型预测精度的问题,本文采用基于自适应噪声完备集合经验模态分解（CEEMDAN）和变分模态分解（VMD）对风电序列进行平稳化处理。CEEMDAN算法将预处理后的风电序列进行一次分解,降低了序列的波动性。VMD算法对波动性最高的风电子序列进行二次分解,在滤除噪声的同时降低了序列的复杂度。经实例验证,基于CEEMDAN-VMD的二次分解技术能有效降低风电序列的波动性,在消除时滞现象的同时提高模型预测精度。其次,针对单一预测模型无法对分解后各子序列进行有效数据挖掘的问题,本文提出基于ELM-CNN-Bi LSTM多元预测模型。对于低频子序列,采用ELM进行时序预测。ELM时序预测与传统算法相比保留了风电序列中的时序特征,有效提高模型拟合程度。对于高频子序列,分别采用CNN和Bi LSTM进行特征提取和数据挖掘。CNN保留了风速、风向和风电功率之间的耦合关系,而Bi LSTM从历史和未来两个方向对序列进行数据挖掘。经实例验证,基于ELM-CNN-Bi LSTM的多元预测模型可以充分挖掘分解后各子序列的隐含信息。最后,通过四个对比实验对本文提出的预测模型预测性能进行全面考察。从预测结果可以看出,本文提出基于CEEMDAN-VMD-ELM-CNNBi LSTM的多元预测模型具有更高的预测精度,可以有效解决异常风电数据、风电数据波动性和单一预测模型局限性对模型预测精度的影响。