风能是当前最具前景的可再生清洁能源之一,世界上很多国家都将发展风电作为推动能源转型和应对气候变化的重要途径。但风电场输出功率的不确定性,使得风电并网时对电力系统的稳定运行带来巨大挑战。对风电功率进行准确预测,是降低风电不确定性影响的主要手段。因此,本文以风电场实测数据为支撑,针对如何提高短期风电功率预测精度进行相关研究,主要研究内容如下:（1）为了降低原始风电功率数据序列的波动性和间歇性,使用完全集成经验模态分解算法（CEEMDAN）和样本熵算法（SE）对数据序列进行预处理。首先,使用CEEMDAN算法将数据序列分解为若干个平稳的序列分量;其次,使用SE算法计算分解后序列分量的SE值,将SE值相近的序列分量进行合并重构。结果表明,CEEMDAN-SE组合算法将数据序列分解重构为4个序列分量,为后续预测模型提供了数据基础。（2）针对核极限学习机（KELM）参数选取困难的问题,设计了一种改进型天牛须搜索算法（IBAS）。首先,在原天牛须搜索算法中引入动态惯性权重和莱维飞行机制,提出了IBAS算法;其次,使用六个标准测试函数验证IBAS算法寻优性能,并与其它算法进行对比。测试结果表明,IBAS算法在收敛速度和寻优精度方面均优于原天牛须搜索算法以及其它对比算法,证明IBAS算法具有优越的寻优性能。（3）针对提高风电功率预测精度的问题,构建了CEEMDAN-SE-IBAS-KELM组合模型。首先,使用风电功率数据验证不同核函数下KELM的预测能力;其次,选取7种对比模型验证所构模型的预测效果;然后,对所有模型预测误差进行分析。结果表明,基于RBF核函数的KELM模型预测性能最优,所构模型相比其它对比模型,误差评价指标至少下降了34.35%,所构组合模型的预测误差基本分布在[-1%,1%]区间内,整体预测误差最小,证明了所构模型在风电功率预测方面的有效性。（4）针对组合模型由于模型特性会产生有规律的误差,利用模型预测误差对预测结果进行误差修正,构建了结合误差修正的CEEMDAN-SE-IBAS-KELM预测模型。首先,使用所构模型对风电功率进行单步及多步迭代预测;其次,对误差修正前后的单步及多步迭代预测结果进行分析。结果表明,误差修正后的模型预测结果比修正前的误差评价指标至少降低了29.65%,并且随着预测步数的增加,误差修正效果越来越显著,体现出误差修正的有效性和优越性,误差修正后单步及多步模型误差拟合正态分布曲线的均值和方差均明显降低,体现出所构模型在风电功率单步及多步预测中的有效性。