由于风电技术日益成熟使得风电并网容量大幅度增加,而风电并网对于电力系统稳定运行具有重大影响,故对风电功率进行高精度的预测对经济和社会发展具有重要意义。在考虑风电功率的变化特性之后,引入马尔可夫链法,并以马尔可夫链法为基础对风电功率做出概率性的区间预测分析,大大提高单点预测的抗风险能力。此方法可通过量化预测值所包含的不确定性信息,来满足决策者在决策规划和可靠性评估方面的需要。本文主要研究工作如下。首先,简单介绍了目前国内外风力发电现状及发展趋势、风电功率概率性研究意义、马尔可夫链方法的应用范围,指出了风电功率概率性预测成果、及马尔可夫链方法应用于风电功率预测的重要意义与工程价值。其次,为了减小对现有点预测模型的依赖,在不假设预测功率的误差分布情况下,求得不同置信水平下风电功率的范围,提出了一种基于经验模态分解(EMD),加权马尔可夫链(WMC)和分位数回归(QR)的风电功率概率区间预测方法。在本研究中,EMD应用于风速时间序列分解,将分解的风速分量由WMC建模以提高预测风速的准确性,利用QR预测模型,以获得给定概率水平的风力的上限和下限。接下来,考虑到风电功率预测与其历史功率显著相关,首先应用马尔可夫链方法,得到不同步长下的预测功率,再利用模糊粗糙集方法确定权重系数计算预测功率,将获得的预测功率输入非参数核密度(KDE)预测模型,在给定的置信度下求取预测误差概率密度函数的上下分位点,结合实际功率得到最终的预测功率区间,该方法降低了模型选取的主观性,能更好的掌握样本序列的动态结构,提高预测精度。最后,考虑到风速数据建模对风力研究具有重要意义,可提供有价值的信息。经典马尔可夫链方法利用概率分布来估计统计参数,此模型缺少时间变化属性,忽略其他模型之间的交叉依赖性。故在考虑了功率与风速、温度、压力之间的固有依赖性后,采用隐马尔可夫链(HMM)模型在将这些量联系起来,消除了直接采样的必要性与相关性,综合考虑预测区间的准确性,最后引入粒子群优化算法,以区间覆盖率、预测区间带宽为优化目标函数,仿真结果显示此方法具有可行性与优越性。