随着大规模风电接入电网，风电功率的波动性和间歇性给电力系统安全稳定运行带来了严峻的挑战。风电功率预测是解决大规模风电接入电网的关键技术之一，能够为电力系统调度控制提供技术支持。目前国内针对风电功率预测方法的研究取得了一定的成果但不够深入，预测系统的开发刚刚起步，缺乏规范和实践经验。因此，对风电功率预测方法研究具有重要的意义。本文以某风电场为研究对象，对风电场风速分布﹑风电功率时间特征展开了系统的研究，以探求更高精度的风电功率预测方法。同时，根据需求分析研发了风电功率预测系统。主要内容如下：首先，以某风电场为对象，对风速﹑功率特性进行了系统的研究。结果表明：风速的概率分布呈现威布尔分布特征；风电功率具有随机性﹑波动性和混沌性，随着时间尺度的降低风电功率的波动性减弱。然后，提出了一种以经验模式分解（Empirical Mode Decomposition,EMD）和相空间重构为核心的风电功率预测方法，将分解后的本征模函数（IntrinsicModel Function, IMF）分量和剩余分量进行相空间重构，将重构序列输入支持向量机（Support Vector Machine,SVM）模型预测风电功率。结果表明，经过EMD分解降低了建模复杂程度，相空间重构能够降低偏差较大分量对预测结果的影响，提高了预测的精确度。其次，提出了基于元学习的风电功率非线性组合预测模型。以灰色模型﹑时间序列模型﹑线性回归模型和神经网络模型预测结果和预测序列的特征属性作为元预测器的输入，从而发现并纠正基预测器的系统偏差。在元预测器中，采用门控网络函数确定各基预测器权重，保证了权重的时变性和非负性。将该算法应用于风电功率预测，预测结果表明：该算法预测精度高于单一预测算法和常用的组合预测算法。最后，根据需求分析开发了一套风电功率预测系统，实现了对风电功率的短期预测。通过某风电场实测数据测试表明，系统安全可靠，可操作性强，能够很好地实现风电功率预测。