随着风电市场的快速发展,风电装机容量与风力发电量持续增加,开发风电能源已成为必然趋势。考虑风电的随机波动性,对风电场未来风电功率值进行准确预测能够加强电力系统的安全性、可控性及经济性。本文研究了一种用于处理风电序列的二次分解策略,以降低风电序列的波动性,采用最小二乘支持向量回归建立风电功率的超短期预测模型,采用长短时记忆网络建立风电功率超短期预测模型。主要工作如下:研究了一种基于互补集合经验模态分解的最小二乘支持向量回归超短期风电功率预测方法。针对风电序列的随机波动性,采用互补集合经验模态分解法,对风电功率序列进行分解,得到一系列不同特征尺度的子序列,将它们分别作为最小二乘支持向量回归模型的训练输入量,建立最小二乘支持向量回归预测模型,并采用缎蓝园丁鸟算法,优化最小二乘支持向量回归模型的正则化参数与核函数宽度。仿真结果表明,所提预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经互补集合经验模态分解处理后具有小的重构误差,在超短期风电功率预测中精度较高。研究了一种基于二次分解策略的最小二乘支持向量回归超短期风电功率预测方法。利用集合经验模态分解法对风电功率序列进行分解,得到一系列的固有模态函数序列和一个残余分量,再利用小波包分解法对固有模态函数中最高频子序列进行分解,得到波动缓和的多个子分量,并通过t均值检验法,对集合经验模态分解产生的除最高频子序列外其它风电功率子序列进行动态划分、重构,得到一个中频分量和一个低频分量,构造了一种用于处理原始风电功率数据的二次分解策略。建立最小二乘支持向量回归超短期风电功率预测模型,为提高缎蓝园丁鸟算法在迭代过程中种群的多样性和算法的收敛度,提出一种改进型缎蓝园丁鸟算法,将其用于优化最小二乘支持向量回归的正则化参数与核函数宽度。仿真结果表明,相比于其他预测模型,所提基于二次分解策略的最小二乘支持向量回归超短期风电功率预测方法具有较佳的预测性能。研究了一种计及气象因素的长短时记忆网络超短期风电功率预测方法。采用距离相关系数法,筛选出与风电功率相关性较强的风速、风向正弦因素,将它们和风电功率一同作为预测模型的输入变量。利用二次分解策略对原始风电功率和风速序列进行分解、划分及重构,分别得到波动较缓和的多个子分量、中频分量、低频分量。将得到的各组分量分别在长短时记忆网络下进行训练,建立各组分量的预测模型。最后,将每一组分量的预测结果叠加,得到超短期风电功率预测值。采用深度学习框架Tensor Flow、编程语言Python进行仿真实验,仿真结果表明,本章所提计及气象因素的长短时记忆网络超短期风电功率预测方法能够较好地滚动预测出风电功率。