随着全球风电装机容量的大规模增加,风电出力自身具有的间歇性、波动性及随机性为高渗透率的风电并网带来了巨大挑战,增加了电网经济调度的难度。为了满足电力调度部门对高精度风电出力预测信息的需求,使系统调度员无需按照最保守的方案为风电预留足够的备用电源和调峰容量,本文提出了基于改进的小波-原子稀疏分解算法的超短期风电出力预测模型。在采用小波变换将历史风电出力数据分为高低频多个分量的基础上,用原子稀疏分解法进一步分解为一组有具体表达式的原子分量,接着进行自预测和基于最小二乘支持向量机预测求出较为精确的点预测值。为提高原子稀疏分解的收敛性及计算速度,使用细菌群体趋药性与正交匹配追踪相结合的算法对其进行优化,提高了预测实时性。同时针对风电序列不同区域所有具有的线性及非平稳特性,构建了衰减线性原子库及Gabor原子库,以期达到自适应分解的效果。最后在获得点预测的基础上,通过摇摆窗函数将历史风电数据划分为多个波动区间,构建考虑风电波动性的二维核密度估计模型,逐步滚动获取预测值的置信区间,降低了环境变化对预测的影响。结合某风电场数月的历史实际出力数据,并与多个模型进行比较,从不同角度验证了本文提出的基于改进的小波-原子稀疏分解算法预测模型与考虑风电波动性的二维核密度估计模型具有较高预测精度,能够为电力调度提供更多确定及不确定信息,降低系统运行成本和风险成本。