传统能源短缺一直是困扰世界各国的难题,全球现已开始加快对传统能源结构向新能源结构的转型。虽然受疫情影响,碳排放量略有下降,但随着全球经济复苏的加快,各国对传统化石能源依赖现象仍十分严重,大力发展新能源是解决全球能源问题的重要途径。其中,风能已成为发展最快的可再生能源类型,是新能源供应体系发展的重点。然而,由于风能本身的高波动性和区域环境的影响,风力发电系统仍然存在一定的问题。我国在新能源发电预测技术上尚不成熟,对风电系统高间歇性事件频发的预测仍不够准确。因此,仍需加大对风电预测的研究,提供有效可靠且稳定的高精度预测方案。为此,本文将风电预测的多个环节进行层层拆分,从不同层面进行算法和模型改进,同时从风电点预测和区间预测两个方面出发,构建了多套系统有效且完整的风电预测方案,其研究内容如下:（1）针对传统分解方法容易丢失信息序列的问题,提出一套丢失信息结合核密度估计构建风电区间预测的方法,同时基于风电能量理论采用优化方法,优化了分解过程的模态数问题。（2）针对传统神经网络收敛性差等缺陷,提出采用不同数学方法丰富算法种群的多样性,极大程度避免局部收敛,并基于改进算法优化神经网络。同时利用MCMC方法处理随机序列优越性的特点,提出一种基于MCMC抽样结合误差优化神经网络的风速区间预测方案。（3）针对模态分解方法容易出现模态混叠等问题,提出采用CEEMDAN方法处理风速序列,该方法能够有效解决噪声残留的问题,同时将模态进行有效分离,并基于粒子群算法优化极限学习机模型,采用四季数据进行仿真,构建起一套基于数据分解结合算法优化人工智能模型的高精度风速点预测方案。