风能因其清洁安全、储量巨大、开发成本低等优点,成为最具发展前景的绿色可再生能源。然而,由于风能自身的随机性和不确定性,风机输出功率表现不稳定,给电力系统带来安全隐患和调度困难。因此,高精度风电功率预测对电网的调度计划、检修安排、经济效益和安全性都具有重要意义。本文基于华北某风场风机的实际运行数据进行研究。为了提高功率预测的准确度,对风机的原始数据做了异常数据识别处理。本文以风速-功率曲线为研究对象,引入了变点检测和改进半监督模糊C均值聚类的组合方法对风机原始数据进行异常数据识别。变点检测方法识别离散型异常数据,改进半监督模糊C均值方法识别堆积型异常数据,这种二次识别的组合方法可以有效提高异常数据识别率。并根据数据的统计特征改进了半监督模糊C均值方法,提高了算法性能。针对风电大数据的新形势,引入优化的栈式降噪自动编码器作为风电功率预测模型。传统的栈式降噪自动编码器微调阶段使用的分类器有收敛速度慢、易陷入局部最优的缺陷,提出使用极限学习机优化网络结构,提高收敛速度和泛化能力;同时,使用改进蝙蝠算法对权值参数进行寻优,有效提高了多层网络的计算速度和寻优能力。为了证明所提模型的性能,加入了与其他常用模型的对比试验,结果证明,此模型的鲁棒性、有效性和预测精度均有提升。为了满足智能电网建设的要求,提高本研究的实用性,设计并开发了一种结合所提出的异常数据识别模型和功率预测模型的风电预测系统。该系统采用了经典的Spring MVC和Hibernate等框架,保证了系统的稳定性和可维护性。在结合本文所提模型后,具有较高的预测精度,对风电场生产计划的制定和安全预防具有实际指导作用。