近年来,以风力发电为主的新能源发电规模迅速增长,其大规模并网在一定程度上缓解了日趋紧张的能源局势及传统能源对环境的污染问题。但随着风电对电网的渗透率的不断提高,风电出力显著的波动性和随机性,给电网的协同调度及安全运行带来的较大的威胁,弃风现象愈发严重。对风电出力进行预测并把风电场资源纳入调度计划,以在此基础上实现对风电场优化调度及风资源的充分利用是解决上述问题有效手段之一。因此,对风速及风电功率进行高精度的预测有着重要意义。国内外对风电预测的研究一般都围绕模型和算法,主要分为物理模型和统计模型两大类,前者主要依赖空气动力学理论建立风电场风速描述模型,后者则主要利用模型提取历史数据的变化规律并以此做出预测。但现有方法中,单一模型预测精度较低,预测效果稳定性较差；组合模型虽精度较高却依赖适当的权重系数来将各模型结果进行综合以保证精度,权重系数又需要依靠单独的优化算法或者拟合模型来获取。同时,围绕风电预测误差的分析研究较少,风电预测误差的分布规律还有待进一步研究。为解决上述问题,本文提出了一种基于误差分析修正的组合预测模型：一方面,研究了风电预测误差的分布规律,另一方面,通过误差修正构建组合模型,以达到提高预测精度的作用。首先,本文以当前流行的支持向量机算法为基础,利用小波变换进行数据处理,网格搜索法优化模型参数、SMO算法快速求解,构建基本预测模型。该预测模型的超短期风速预测平均相对误差为11.8%、短期风电功率预测误差为10.72%,满足工程需要,适用性良好。但支持向量机算法的原理局限性导致了其预测精度的不稳定,对非支持向量的忽略降低了该模型对极值的跟踪能力。然后,利用支持向量机模型对历史数据进行重复预测,得到超短期风速预测误差序列及短期风电功率预测误差序列。分别从时变特性和相关特性对超短期风速预测误差进行分析,从相关特性和概率分布特性对短期风电功率预测误差进行研究分析,获得误差随时间的变化规律,误差与自身、误差与相关要素之间的分布关系以及误差的概率分布特征。最后,针对超短期风速预测和短期风电功率预测分别建立了基于神经网络和高斯过程回归的误差修正模型,以前述误差分析结果为基础,确定模型输入样本,进行修正预测得到最终预测结果。通过仿真算例分析,超短期风速预测平均相对误差总体上降低了15.8%,短期风电功率预测平均相对误差总体上降低了11.3%,提升效果显著,同时高斯过程回归的误差修正模型还能够输出概率预测结果,有助于电网进一步的运行调度和安全分析。