随着全球风力发电技术的迅猛发展,如何提高电能质量及风电并网后电力系统的安全稳定问题已经成为了重要课题。风电功率预测技术在处理风速和风电功率的随机性和波动性方面占据重要地位,能显著改善风电并网的安全稳定运行。对于提高风力发电的经济效益,减少电力系统的备用容量,调度风力发电厂开停机组等问题,精准的风力发电功率预测技术都极其重要。本文提出了一种组合预测模型对风电功率进行超短期预测。该模型的基本思想是先将风速和功率序列进行数据处理,针对于风速信号和功率信号的非线性和波动性,本文采用小波变换的方法将风速、功率信号分解为不同频率的子序列,再使用小波软阈值去噪法将子序列去噪后重构。分别采用移动平均法、中值滤波法对风速、功率数据进行去噪处理对比去噪效果。将经过处理的风速、温度、功率数据输入最小二乘支持向量机(Least Squares Support Vector Machine,简称LSSVM)进行训练,对单台涡轮风力发电机进行超短期预测。通过对比试验确定了LSSVM中最合适的核函数,并采用粒子群算法(Partile Swarm Optimization,简称PSO)对模型中核函数的参数进行优化。采用数据滚动的方法,对比一次性预测2个、6个、12个数据并将其加入训练集继续预测这三种方案的预测精度。最后采用一次性预测6个数据的方法进行预测,减少预测误差。本文将提出的组合预测模型应用于辽宁省阜新市某风电场中的某台风力发电机进行仿真实验。结果显示,本文所提出的组合预测模型能较为精准的预测出单台风力发电机的输出功率。该组合预测模型的预测结果均在《风电功率预测功能规范》允许范围之中,尤其在功率信号突变点处的预测精度表现较好,明显优于现有的一些单一预测模型。由此表明,该模型适合用于涡轮风力发电机的发电功率预测问题。