当化石能源储量逐渐减少、雾霾肆意危害人类健康、能源产业逐渐发生转变之时,以清洁、可再生、储量丰富等特性为代表的新能源正在以一种强劲的势头改变着人类对传统能源的认知。我国的风能、太阳能等清洁能源蕴含丰富,分布广泛。随着经济发展对能源需求的日益增大,以及我国特高压线路的建设,风电的并网容量和使用率也都成倍增加。但是,在风电并网时,由风速间歇性造成的电压波动和频率偏差等电能质量问题,将对电网的区域互联和能源全球化战略造成一定阻碍。为了消除社会对风电的争议、避免弃风现象、构建电网友好型风电场,相关部门要求风电场能够采用风电预测技术合理配置风机旋转备用容量、大幅减小风电场储能装置的容量。并且,合理的风电调度计划将成为确保风电成为可控性能源和顺利并网的重要支撑。因此,在进行电力调度计划的制定时,电网对风电场上传滚动预测信息的准确性进行了更加严格的把控。为此,本文依据山西某风电场的风能特点,对风电功率的预测方法进行了深入研究。本文以测风塔数据为依据,将人工智能、模式识别、信号分解与群体智能技术相融合,在研究风电性能和影响风电出力各种因素的基础上,建立了风电功率预测模型,并根据仿真得到预测结果,对其进行了一系列的优化和改进,获得了最优预测模型。在对风电特性和影响风机出力的相关因素进行定量分析基础上,采用果蝇算法FOA优化支持向量机SVM,建立了FOA-SVM预测模型,实现了风电功率滚动预测。针对FOA易受局部极值干扰的缺点,提出了基于高斯扰动的模拟退火果蝇算法GDSAFOA,增强了FOA的优化能力,建立了GDSAFOA-SVM预测模型,通过GDSAFOA对SVM进行参数寻优,构建了更加合理的SVM回归超平面、提高了预测精度。为了提高学习模型中训练样本与预测样本的相似性,削减不相关数据的干扰,采用GDSAFOA优化模糊C均值算法FCM,建立了GDSAFOA-FCM聚类模型,将GDSAFOA-FCM聚类模型与GDSAFOA-SVM预测模型结合,建立了GDSAFOA-FCM-SVM预测模型,实现了对具有相似特征的历史日与预测日的数据聚类,提高了GDSAFOA-SVM预测精度。在GDSAFOA-FCM的优化结果中,有些相似日与预测日的波动程度相差较大,直接影响预测精度。为了增加训练样本与预测样本波动程度的相似性,提出了将湍流值IT引入FCM算法,并以IT作为相似日的特征信息,对相似日的波动性进行约束,建立了GDSAFOA-FCM-IT聚类模型,对GDSAFOA-FCM模型进行了改进,将历史日中风电功率波动与预测日风电功率波动偏差大的样本删除,保留风电功率波动趋势和幅值相近的数据,并结合GDSAFOA-SVM建立了GDSAFOA-FCM-IT-SVM预测模型,对GDSAFOA-FCM-SVM模型进行了改进,提高了预测精度。为抑制风的波动,分别采用集合经验模态EEMD和经验模态EMD算法将风电功率信号进行平稳化处理,并对EEMD和EMD性能进行比较,建立了EEMD-GDSAFOA-FCM-IT-SVM组合模型,该模型能够在预测时,对风电功率自身的波动进行抑制,实现了对GDSAFOA-FCM-SVM模型的改进,提高了预测精度。在理论分析的基础上,采用风电场实测数据对模型和算法在Matlab平台进行了仿真验证,仿真结果表明EEMD-GDSAFOA-FCM-IT-SVM组合模型相较于其它模型,具有训练样本少、预测精度高的特点,为工程实现奠定了理论基础,提供了有价值的研究成果。