风能作为一种新型清洁能源日益受到国际社会的关注,对风电功率预测的研究是保障风电并网系统安全稳定运行的重要前提。准确的风电功率预测可以使电力部门合理安排调度计划,使风电场对风机合理安排维护工作,保障机组正常运行,提高机组利用率,减少风力发电运行成本。然而原始风速信号的随机波动特性导致风电功率的起伏程度大,难以准确预测,严重影响了风电并网后风能的质量,给风电场的风电功率预测带来了极大的挑战。因此本文提出了短期风电功率的间接预测,主要研究内容如下:首先,对风力发电特性进行了介绍,并且以SCADA数据采集系统采集到的四个风场的风电数据为基础进行数据预处理,为了保证模型的精确性,采用DBSCAN算法对数据的异常点进行剔除。然后,由于原始风速随机波动特性难以提高风速的预测精度,本文使用自适应噪声的完全集合经验模态分解算法（CEEMDAN）把原始风速分解成多个频域稳定的子序列,为了减少计算采用样本熵算法对多个子序列进行重组,在此基础上使用BP神经网络、RBF神经网络、小波神经网络和广义回归神经网络分别对重组后的新序列进行风速预测,最后通过偏最小二乘回归算法对预测结果进行加权集成得到最终的风速预测结果。其次,对风电功率进行预测,为了提高风电功率曲线拟合方法的预测精度,分别使用多项式拟合、局部加权多项式拟合、三次样条和三次B样条四种拟合方法对风电功率进行曲线拟合,通过对四种拟合结果的分析和比较,可以看出三次B样条的拟合精度较高,因此将建立的三次B样条拟合模型应用于风电功率间接预测中,预测结果表明该方法具有较高的功率预测精度。最后,在风电功率点预测的基础上进行延伸,提出非参数核密度估计的风电功率区间预测方法。根据风电功率的概率密度曲线分布划分区间,得到不同分区的误差概率密度曲线,进而结合非参数核密度估计方法对风电功率进行区间预测。并利用三种评价指标对区间预测结果进行评价,对比参数估计方法,验证了该方法的有效性。