为实现“2030年前碳达峰、2060年前碳中和”目标,我国加快调整能源结构,大力推动可再生能源发展。其中,清洁无污染、分布广泛的风能成为可再生能源领域备受瞩目的理想能源之一。当前对于风能的使用主要是通过风电并网来实现,但由于风能的随机性和波动性较强,风电并网会对电力系统的安全与稳定运行产生无法忽视的影响。风电功率预测是解决此问题的有效方法之一,但全局模型的预测性能易受风能随机性影响,且自适应能力较差。为此,本文基于局部学习策略,对风电功率的短期预测展开研究,其主要研究内容如下:针对离线全局模型对风电数据自适应性较弱的问题,提出了一种基于即时学习（JITL）策略与反向传播神经网络（BPNN）相结合的风电功率预测算法。首先,使用四分位法清洗异常风电数据,并使用前后相邻点的均值补齐缺失数据,从而得到有效数据集。其次,考虑到风电数据非线性较强、整体特征不显著,提出以欧式距离衡量待估样本与历史数据之间的相似度,并以此选择相似度高的历史数据针对性地构建局部BPNN模型。最后,将本文所提模型与反向传播神经网络、长短期记忆神经网络、高斯过程回归的全局模型对比,结果表明,本文所提局部建模方法可有效提升模型的预测精度。针对静态样本无法体现风电数据局部动态特征的问题,提出了一种DBSCAN聚类与即时学习相结合的风电功率预测方法。该方法基于时间序列的连续性及趋势相似性,以欧式距离与余弦距离相结合的综合距离为聚类度量指标,将连续一小时风速构建为聚类特征,从而把样本划分为具有不同动态特征的簇。其次,通过计算待估样本与各簇中心的相似度,以此选取动态特征最相似的簇。然后在簇内采取即时学习策略,根据欧式距离选取建模样本。最后,使用反向传播神经网络建模预测。仿真结果表明,所提预测算法可以更好地捕捉风电数据的局部动态特征。针对在线学习对模型训练速度要求较高的问题,提出一种基于动态知识蒸馏的风电自适应局部建模算法。首先,利用DBSCAN聚类后数据对每个簇分别构建BPNN模型,并将该模型定义为教师模型。然后,初始化结构较小的BPNN模型作为学生模型。当待估样本通过DBSCAN-JITL方法选择建模样本后,将教师模型与学生模型之间的软损失及学生模型与真实值之间的硬损失结合,以此作为学生模型的损失函数,有向指导学生模型训练。仿真结果表明,所提方法能够有效地提高在线局部模型的建模速度且保持较高的精度。综上所述,本文提出了基于局部学习的短期风电功率预测算法,有效提升了风电功率预测模型的自适应能力及预测速度,为风电功率预测提供新思路。