当今世界能源需求日益增长,化石能源燃烧已经成为二氧化碳排放的主要来源,中国政府于2020年在联合国大会上提出“2030碳达峰”、“2060碳中和”的重大战略目标,因此在“双碳”目标下,能源改革势在必行。风能是一种清洁可再生能源,风电场的大规模建设为风能利用提供了条件,然而由于风电具有间歇性、波动性和不确定性等特点,大规模风电并网也为电力系统的稳定运行带来了巨大挑战。准确的风电功率预测结果有助于电力部门制定可靠的电网调度计划,进而优化电网调度运行,因此风电功率预测已经成为促进风电消纳的关键技术。本文结合信号分解以及神经网络等方法,从风电数据预处理以及模型优化等方面出发,提出了一种短期风电功率预测方法。具体研究内容如下:首先针对风电数据中异常数据以及不完备数据的存在对风电预测结果造成影响的问题,采用了孤立森林算法和基于随机森林的多重插补法对原始数据集进行处理,得到了完整连续的可靠数据集。然后利用皮尔逊相关系数对影响风电出力的相关气象因素进行分析,选择相关性高的数据作为预测模型的输入,通过对气象数据进行降维处理以提升模型的预测效率。为降低风电数据的复杂度,利用k-means聚类算法对风电数据进行相似日聚类,然后通过对相似的风电出力场景进行预测以改善模型预测的准确度。利用信号分解技术可以将原始风电序列分解为若干个具有不同频率的子序列,有效缓解风电序列波动性对预测结果造成的影响。对比传统的经验模态分解等自适应分解方法,变分模态分解可以明显改善模态混叠和端点效应等问题,因此选择变分模态分解对原始序列进行信号分解。为了解决变分模态分解的分解模态数k不具备自适应性的问题,利用能量差值原则对k值进行寻优,得到最佳分解模态数,并将分解后的子序列作为预测模型的输入。为了提高预测模型的预测效率,选择在时间序列预测上表现更好的门控循环单元构建预测网络,并利用基于区域分割的自适应变异粒子群算法对门控循环单元的参数进行寻优,得到最优参数以提高网络的训练精度。最后通过实例对所提模型进行验证,实验结果表明,所提模型对各类相似日场景进行预测后得到的各项误差指标均小于其他模型,验证了模型的准确性和有效性。