风电功率预测能为电网规划和运行提供重要依据。传统的预测方法有径向基神经网络（RBFNN）、基于最小二乘支持向量机（LS-SVM）及核极限学习机（KELM）模型等。本文对这三种预测模型进行了分析并提出它们存在的问题,例如RBFNN预测算法在执行过程中隐层神经元逐个叠加,并且径向基神经网络的隐层中心及相关参数在确定过程中的计算较为复杂,导致收敛速度较慢,预测误差较大（0）₈（60）)=31.859%),且波动剧烈。而KELM与LS-SVM预测算法中惩罚系数与核参数一般以人为经验设定,耗时长,预测不稳定,平均绝对误差百分比分别为38.109%与35.907%,误差仍然较大。为了改善传统预测方法中误差较大的问题,本文提出了多种对KELM算法进行优化的风电功率预测模型。首先,分别采用遗传（GA）优化算法与粒子群（PSO）优化算法对KELM风电预测模型中的学习参数（惩罚因子C与径向参数σ）进行优化,通过30次实验对比,PSO优化算法较GA算法耗时短,收敛速度较快且稳定性更强,适应度函数值较低,优化效果较好。但PSO优化算法也存在缺陷,即后期搜索能力变差,容易陷入局部极小值,致使不能以概率1搜索到全局最优解。为了进一步提高模型的预测精度,本文又从量子力学的角度对PSO优化算法进行改进,引入量子粒子群（QPSO）优化算法、自适应早熟判定准则及混合扰动算子,构建了自适应扰动量子粒子群（ADQPSO）优化算法。QPSO算法与PSO算法相比,其对应的控制参数更少,这使得QPSO比PSO算法具有更强的全局寻优能力,同时减少了寻优过程中所消耗的时长。通过自适应早熟判定准则和混合扰动算子来克服PSO在寻优过程中的早熟收敛问题。实验表明,ADQPSO算法有效避免了PSO优化算法早熟收敛、后续搜索中寻优能力变差和耗时长的缺点,对PSO优化能力进行了较大幅度的改良。本文分别用上述三种优化方法对KELM模型进行优化,并建立了三种基于KELM风电功率预测模型,利用在内蒙古高尔真风电场采集的风电功率时间序列数据为实验样本进行建模。自适应扰动量子粒子群优化的核极限学习机（ADQPSO-KELM）风电预测模型的预测结果分别与遗传算法优化的核极限学习机（GA-KELM）模型、粒子群优化的核极限学习机（PSO-KELM）模型及核极限学习机（KELM）的预测结果进行对比,ADQPSO-KELM（0）₈（60）)=14.64%)较PSO-KELM、GA-KELM及KELM有较大幅度的降低,预测准确度更高,且预测更加稳定。ADQPSO-KELM模型又通过与传统模型相比,有效的降低了误差百分比,提高了风电预测的稳定性,为运营商提供更好的决策。