由于传统能源使用的局限性和日益增多的环境问题,风能作为一种绿色可再生能源被广泛应用。风能主要是通过风吹动风机叶片旋转将风能转化为电能。但由于地球大气的复杂性,风能的不稳定性导致输出功率的波动性和间歇性,这给大型风电项目以及电网规划和建设带来了挑战。准确的风电功率预测是应对这些挑战的最有效措施之一。为了提高短期风电功率预测的准确性,本文提出了基于信息融合的短期风电功率预测方法。首先,对测风数据和风电功率数据进行预处理,在测风数据处理方面,先根据风电场数据审核的国家标准对测风数据进行合理性检验,在此基础上,再针对风速数据采用平滑z-score方法进行异常数据检测,最后对测风数据进行插补处理;在风电功率数据处理方面,根据风速-功率散点图分析风电功率异常数据的分布特点及出现原因,针对不同类型的异常数据采取不同方法进行识别,对于具有明显数值特征的异常数据可根据其数值特征进行识别,对于数值特征不明显的异常数据采用局部异常因子算法处理,最后采用插补方法对风电功率数据进行修复处理。接着,采用基于贫富优化算法的离群鲁棒极限学习机模型进行为风电功率预测,离群鲁棒极限学习机利用异常值的稀疏性原理,将经典极限学习机中?₂范数的损失函数替换为?₁范数的损失函数,降低了对数据集中异常值的干扰效果,提升了模型的鲁棒性和泛化性能;而贫富优化算法富优化算法结构简单,易于控制,性能稳定,可用于寻找离群鲁棒极限学习机的最优模型参数,算例结果表明基于贫富优化算法的离群鲁棒极限学习机能够很好地提升风电功率的预测精度。最后,为阐述了高维气象数据信息融合对风电功率预测的重要性,建立了基于局部线性嵌入降维算法的风电功率预测模型。通过算例比较发现,经信息融合后的预测模型具有更好的预测结果,同时,由于气象数据本身具有的非线性特征,相较于线性降维算法主成分分析,非线性降维算法局部线性嵌入能更好的还原数据的本质结构。