风力发电的间歇性和波动性给电网调度带来了困难与挑战,风电场功率预测是有效的解决途径。将我国北方某风电场和美国德克萨斯州某风电场作为研究对象,进行了基于风电场历史运行数据和气象数据的风电场功率超短期预测算法研究与优化。对风电场风电机组功率曲线特性进行了理论研究,结合支持向量机非线性拟合及小样本学习的优势,提出了基于支持向量机的分段预测模型(Piecewise Support Vector Machine, PSVM),短期预测的平均相对误差(Mean Relative Error, MRE)为17.50%,较单一模型降低4.76%；采用遗传算法优化模型参数,建立了遗传算法-最小二乘支持向量机超短期预测模型(Genetic Algorithm-Least Square Support Vector Machine, GA-LSSVM);利用小波变换的时频分析方法将风电机组出力功率序列在时域和频域分解,在各组分分别建模,小波重构后输出预测功率,建立小波-最小二乘支持向量机模型(Wavelet Transform-Least Square Support Vector Machine, WT-LSSVM)。算例表明GA-LSSVM和WT-LSSVM在有效利用了支持向量机算法优势的基础上提高了预测精度,但同时带来了较大的时间代价。神经网络具有并行处理信息和自学习的能力,其在非线性拟合方面的优势适用于预测领域。基于上述特点建立了误差反向传播神经网络(Back Propagation Neural Network, BPNN)和径向基函数神经网络(Radial Basis Function Neural Network, RBFNN)预测模型并对预测效果进行对比,算例表明RBFNN更具适用性,较BPNN的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)和均方百分比误差(Mean Square Percentage Error, MSPE)分别降低了0.30%和0.14%；对风电场输出功率的时间序列进行希尔伯特黄变换,提出希尔伯特黄-神经网络预测模型(Hilbert Huang Transform-Artificial Neural Network, HHT-ANN),对于算例多数时段,HHT-ANN模型能显著提高预测精度,MAPE由3.39%降低到1.89%,但预测精度受输入数据HHT结果的影响较大。为实现对风电机组功率平稳且高效的预报,充分发挥最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)和径向基函数神经网络(Radial Basis Function Neural Network, RBFNN)在功率预测中的优势,利用灰色关联度分析原理提出了风电场功率超短期LSSVM和RBFNN组合预测算法,其MAPE较LSSVM和RBFNN分别减少0.29%和0.40%；为提高预测算法在不同风况下的适用性,在分析研究算例全年各月风速变化特性和分布规律的基础上,将风速按风频相似原理进行分段训练权值,建立各月特征权重数据库,提出了基于风速变化特性的组合预测模型,具有普适性且时间代价较小。经算例分析MAPE为2.37%。模型预测结果与实际出力值总存在误差,对风电机组出力进行概率性预测较单值预测更加合理。在本文中对风电场功率预测误差分布特性进行了理论研究,提出一种基于蒙特卡罗原理的预测结果不确定性分析方法,通过有效性检验验证算法的可行性；将风电场功率预测算法及不确定性分析的研究成果应用到风电场功率预测系统。