为实现“碳达峰,碳中和”的目标,我国加大了对新能源发电的研究力度。风力发电作为新能源发电的重要构成部分,其输出功率具有很强的波动性、不稳定性以及随机性,因此大量风电的并网会严重影响电力系统的稳定运行,同时电能质量也会有所下降。针对上述问题,本文展开了如何提高风力发电功率超短期预测精度的研究,旨在提高电网运行的稳定性与安全性、保证电网电能质量、帮助电网调度部门准确制定风力发电并网计划。主要的工作如下:首先,为了准确估计风电输出功率的变化趋势,提出一种自适应白噪声添加的完备性集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive No ise,CEEMDAN）联合相空间重构（Phase Space Reconstruction,PSR）的风电功率时序数据处理方法。利用CEEMDAN方法对风电功率时序数据进行分解以得到一系列能够表征原始数据特征的基本模态函数（Intrinsic Mode Function,IMF）,然后将各个IMF分量通过PSR理论进行相空间重构以得到所需的预处理数据。然后,针对麻雀搜索算法（Sparrow Search Algorithm,SSA）所存在的随机初始化个体可能分布过于集中在局部的问题、前期搜索的广泛性与后期搜索的局部性不平衡的问题以及易早熟问题,提出利用Tent映射实现算法种群个体的全局随机初始化、利用压缩因子对其引导群体更新方式进行改进以及利用柯西变异对其整体搜索过程进行扰动的改进麻雀搜索算法（Improve Sparrow Search Algorithm,ISSA）,并对其进行了性能测试。对最小二乘支持向量机（Least Squares Support Vector Machines,LSSVM）的数学理论进行了详细分析,同时针对LSSVM算法所存在的预测精度受惩罚因子以及核函数参数影响较大的问题,提出一种ISSA-LSSVM预测模型,利用ISSA算法对最小二乘支持向量机的惩罚因子以及核函数参数进行优化选取,通过实验对其预测性能进行了有效验证。最后,利用CEEMDAN联合PSR算法对张北某风电场24台2MW风机总功率的2020年12月6日0时至31日24时共26天的风电功率数据进行预处理,以得到相空间重构后的子序列,然后对各个子序列建立ISSA-LSSVM预测模型,最后通过对各个重构后子序列的预测结果进行叠加以得到最终的风电功率预测结果。通过与其他预测模型对比验证,本文所提出的基于CEEMDAN-PSR联合ISSA-LSSVM算法的风电功率超短期预测模型具有非常优良的预测效果,可为具体的工程实践提供参考。该论文有图40幅,表15个,参考文献60篇。