在世界大力推进节能减排的背景下,以风能为代表的可再生能源已被广泛关注。中国的风能资源丰富,近年来风电产业蓬勃发展。然而随着大规模风电基地的建设及风电的入网,风电的波动性给电网带来的问题越来越突出,严重制约着风电的健康发展。为降低风电波动性给电网带来的不良影响,保障风电电网的合理调度和稳定运行,风电功率预报技术就显得尤为重要。传统的统计预测方法所建模型随着预测时间的加增,准确性快速下降,而单一的机器学习方法亦不能满足精确预测的要求,易出现波峰、波谷等震荡点预测误差过大的现象。因此,为提高模型预测精度,本文提出一种基于小波分解和人工神经网络相结合的建模预测方法。首先,应用小波分析智能算法将历史功率序列分解为逼近信号和细节信号,即得到规律性较强的子序列。接着再次应用小波分析算法对含高频噪声较多的低层细节分量进行去噪处理,达到保留有用信息又去除高频噪声的目的。至此分别对具有较强平稳性的高层细节信号、去噪处理后的低层细节信号和逼近信号建立非线性自回归动态神经网络预测模型。最后,重构各层预测值即得功率预测值。通过实例仿真表明,与单一的神经网络模型及其无小波去噪处理的组合法相比,该方法预测精度明显改善。近年来支持向量机成为机器学习中的新热点,它适合处理小样本问题,训练速度也比神经网络快,因而本文利用支持向量机算法建立了另一种风电功率短期预测模型。然而由于支持向量机和核函数中的超参数决定着模型回归预测能力的优劣,针对此问题本文采用网格搜索算法和粒子群优化算法对模型的参数进行寻优选择。考虑到在训练模型中不同超参数可能获得同一训练误差而当应用到测试模型中时测试误差却会不同,本文对网格寻优算法和粒子群算法亦作了相应的改进。为解决此模型功率预测序列整体滞后实际功率序列导致预测误差过大的问题,本模型综合利用上一模型中小波分析算法对原始高度非线性的功率信号的预处理结果,最终消除了预测序列的滞后。另外,从修正预测结果的角度出发,本文提出了基于预测误差的预测结果修正策略。传统的预测系统中大多只考虑了对模型输入量——历史功率序列做预处理,而忽视了充分挖掘预测误差序列的规律,此思想对预测序列的后期处理具有指导意义。