当前,风电发展迅速,成为清洁能源发电的重要形式之一。与常规能源相比,风电自身的特征导致风力发电可靠性低,使得在大规模风电接入的情况下平衡电网的有功功率和无功功率成为一大难题。对风电功率进行准确的预测,不仅可以帮助电力系统提前制定相应的调度控制策略,而且可以确保电力系统的安全稳定运行。文章从以下几个方面展开研究:（1）引入经验模态分解（EMD）、集合经验模态分解（EEMD）以及完整集成经验模态分解（CEEMD）三种数据分解方法降低数据的复杂性,对上述三种方法进行频谱分析,对比了EEMD和CEEMD的重构误差,并引入样本熵量化三种方法分解后各分量的复杂性。EMD作为经典的数据分解方法,有着广泛的应用,但是该方法存在明显的不足,因此衍生了多种改进方法。利用辅助噪声的EEMD能够有效平抑EMD模态混叠问题,但该方法有较大的重构误差。在EEMD基础上引入CEEMD分解,既能进一步平抑模态混叠问题,又能减少重构误差。（2）以CEEMD数据分解方法为基础,提出了基于CEEMD的多模型风速组合预测方法。第一步针对复杂性较强的前三个分量imf1、imf2和imf3构建了几种常见的机器学习模型,包括:BP神经网络、RBF神经网络以及最小二乘支持向量机。第二步在得到各单项模型预测值的基础上,提出了一种基于PSO-NNCT的组合预测模型,通过比较分析,基于PSO-NNCT的组合预测模型有较高预测精度。最后,结合CEEMD分解和PSO-NNCT组合方法,文章建立了CEEMD-PSO-NNCT超短期风速组合预测模型。（3）考虑到使用单次CEEMD数据分解方法并不能完全解构时间序列,结合两种不同数据分解方法提出了基于CEEMD-VMD二次分解方法的改进时间序列风速预测模型。第一步通过第二章中引入样本熵量化CEEMD分解后各分量的复杂性,针对熵值最高的前三个分量进行二次分解。比较不同分解方法的样本熵值,两层数据分解技术能够进一步降低信号的复杂性。第二步建立了基于CEEMD-VMD二次数据分解时间序列模型,对二次分解后的分量分别建立模型进行预测。各分量的预测值求和得到最终的结果,数据仿真结果表明基于二次分解技术的方法有较高的预测精度。（4）利用风电场历史运行数据,采用神经网络方法拟合出实际功率曲线,比较第三章和第四章中两种预测方法,选择最佳风速预测值并利用所得曲线得到最终功率预测值。