近年来,随着传统化石能源的日渐枯竭和环境污染的不断恶化,新型清洁能源备受全球的关注。其中,风能清洁无污染,可有效缓解气候变化,提高能源安全,促进低碳经济增长,是最具潜力的新能源之一。由于风能具有较强的随机性、间歇性和不可控性,使得风电机组并入电网时,会对电力系统的安全性和稳定性造成一定影响,而准确、可靠的风电场短期风电功率预测有利于解决大规模风电并网对电网的影响,改善电力系统的安全、稳定性,方便电网的经济调度。本文主要研究内容如下:(1)鉴于支持向量机、BP神经网络等浅层模型无法全面提取风速数据中的深层特征信息和内在规律,本文提出一种基于深度信念网络的短期风速预测模型。首先,利用互补集合经验模态分解方法,将原始风速序列分解为一系列不同尺度的本征模态分量,降低原始风速序列的非平稳性以及不同尺度的本征模态分量之间的影响;其次,为了避免分量序列数目过多对预测效率和预测精度造成的影响,利用模糊熵方法对各个本征模态分量序列进行计算,将模糊熵值相近的分量进行重组,获得新的分量序列;最后,利用深度信念网络具有的深度特征提取能力和非线性映射学习能力,分别对新的分量序列进行预测,并将预测结果叠加获得最终预测值。(2)为解决传统风电功率曲线建模方法存在的预测精确度不高、易产生功率振荡的问题,本文提出一种基于改进萤火虫算法的风电功率曲线模型。首先,通过对原始数据进行预处理,剔除原始数据中包含的由随机噪声、故障或不适当操作产生的异常值;其次,利用改进萤火虫算法对处理后的数据进行拟合,获得风电功率曲线;最后,结合短期风速预测,利用基于改进萤火虫算法的风电功率曲线模型实现短期风电功率预测。(3)本文提出了基于局部特征尺度分解-样本熵和改进鲸鱼优化算法优化核极限学习机的短期风电功率区间预测模型。首先,采用局部特征尺度分解,将原始风电功率序列进行分解,降低原始风电功率序列的非平稳性;然后,计算各子序列的样本熵并根据熵值来重构新的分量序列,提高计算效率;最后,采用改进鲸鱼优化算法对核极限学习机的参数进行优化,分别建立各新分量序列的区间预测模型,并将预测结果进行叠加,从而获得最终预测结果。