愈来愈严峻的能源危机和环境保护的需求促使风力发电的规模日益扩大,准确的风电功率预测有助于保证电网运行和调度调峰,从而避免能源短缺或供过于求造成的成本消耗。本文研究了风电功率预测相关的异常点识别、数据去噪、分解预测等问题,所建立的预测方法能够有效应用于风电功率预测,对社会经济效益具有重要的理论价值与实际意义,本文的主要工作如下。介绍了数据处理的基础知识,通过计算气象要素与风电功率之间的相关性,基于相应评判标准确定了最相关的气象因素,为后续建立精确的预测模型明确了自变量并提供了理论基础。针对风力风电数据中大的稀疏噪声,建立了快速简单有效的HF-WTD-BP预测方法。使用Hampel滤波器对毛刺部分进行消除,通过小波分解降噪分离剩余的高频噪声,建立BP神经网络学习拟合预测模型,实现了对存在大量异常点的风能数据集的有效预测,显著降低了噪声造成的预测误差。针对风力风电数据中小的稠密噪声,采用DBSCAN、四分位法及有限迭代鲁棒拟合分段多项式去除原始数据中的噪声。采用EMD将预处理后的风电功率进行分解,得到更显著的特征序列。构建SVM进行训练并预测,建立的DE-EMD-SVM组合预测模型有效降低了过度去噪带来的特征缺失,同时避免了BP神经网络的学习随机性问题。为提升预测性能,建立了基于RR-VMD-LSTM的短期风电功率预测方法,使用更为方便的RR处理数据中的缺失值和异常点,利用性能更好的VMD得到风电功率分解序列以消除噪声并挖掘原始序列的主要特征,基于适合处理时间序列问题的LSTM建立学习预测模型,实现了更快的计算速度,达到了远高于传统模型的预测精度。文末对本文的研究工作进行了总结,并提出了合理可行的未来研究方向。