风电在实现“双碳”目标中发挥着重要作用,然而风电具有较强的随机性和波动性,大规模风电接入电网会影响电网运行的安全性以及稳定性。因此开展高精度的风电功率预测技术研究,对提高风电消纳能力和电力系统的安全稳定运行具有重要意义。风电功率预测方法分为单值预测和概率预测,其中单值预测方法可以得到待预测时刻的风电功率期望值,该方法比较成熟但无法定量描述风电功率预测的不确定性。概率预测方法作为单值预测的延伸,可以得到待预测时刻风电功率的概率密度函数以及波动区间,从而为电力系统运行调控决策等提供更加全面的信息。目前,风电功率预测方法主要存在以下问题。一方面是现有研究大多在不同的气象条件下采用同个单一模型进行预测,没有考虑到同一模型在不同气象条件下很难具有普适性,并且忽略了单一模型通常无法体现目标变量的全面信息,这使得在某些场景下模型预测精度较差。另一方面现有概率预测研究大多利用某种单一参数或者非参数概率预测模型进行预测,但分布参数的选择对参数模型的预测结果影响较大,非参数预测模型对数据质量等具有较强的依赖性,因此采用单一概率模型进行预测很难准确定量描述风电功率预测结果的不确定性。本文考虑气象分类并基于组合模型的思想先后提出了短期风电功率单值以及概率预测方法,主要工作如下:（1）首先提出了基于减法聚类和Gustafson-Kessel（GK）模糊聚类算法的气象条件分类方法,该方法采用减法聚类初始化GK模糊聚类算法的参数,避免了气象条件聚类数陷入局部最优解,从而采用聚类的思想实现了气象条件的划分。（2）其次提出了基于气象分类和集成学习的风电功率单值预测方法,该方法充分利用集成学习的优势,在各气象条件下分别建立基于极端梯度提升的风电功率初步预测模型,并基于残差学习的思想在各气象条件下分别构建基于随机森林的功率误差预测模型。利用高斯相似度方法判别待预测时刻所属的气象条件类型,并采用该气象条件对应的极端梯度提升模型和随机森林模型进行预测,分别得到初步功率预测结果和功率误差预测结果,将风电功率初步预测结果和功率误差预测值进行加和便可以得到最终的风电功率预测值。所提单值预测方法采用气象分类、集成学习以及误差修正的思想提高了风电功率单值预测精度。（3）最后提出了基于气象分类和组合方法的风电功率概率预测方法,该方法综合考虑参数以及非参数概率预测模型的优势,在各气象条件下分别构建融合核密度估计、稀疏贝叶斯学习以及贝塔分布估计三个不同概率预测模型优势的组合预测模型,并利用改进粒子群算法优化各子模型的权重。利用高斯相似度方法判别待预测时刻所属气象条件类型,并采用该气象条件对应的组合概率预测模型进行预测,从而获得待预测时刻风电功率的概率密度函数以及波动区间。所提概率预测方法采用气象分类以及组合模型的思想提高了风电功率概率预测结果的可靠性以及敏锐性。全文基于宁夏省8座风电场的数据进行算例分析,选择不同的评价指标对所提模型和各基准模型的预测结果进行评估,实验结果验证了本文所提方法的有效性。