由于化石能源的污染性以及不可再生性,新能源发电受到了巨大的关注。风能来源广泛,资源丰富,工程技术成熟,因此得到了迅速发展。但由于风力具有间歇性和波动性,给电网的稳定运行带来了巨大的挑战。因此,对风力发电进行实时有效的预测,对风电的发展以及电网的稳定运行都显得十分重要。本文对风电预测做了以下研究:首先,从风电场原始数据角度切入,分析了风力发电的基本特性,针对风电数据中存在大量异常数据,提出了基于离群点检测算法(Local Outlier Factor,LOF)的异常数据清理方法,使清理后的数据更加可靠并符合实际。其次,基于风电数据的非线性特点,采用了最小二乘支持向量机(Least Squares Wavelet Support Vector Machine,LSSVM)作为预测方法。通过改进的经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)对原始数据进行分解,降低了原始数据中的噪声,并且减少了预测时间,提高了预测精度。最后,针对最小二乘支持向量机模型对风电功率中非平稳分量处理能力有限,本文提出了一种提出一种基于LSSVM与差分自回归移动平均模型(Auto Regressive Integrated Moving Average,ARIMA)组合模型的风电功率超短期预测方法使用MEEMD将数据分解为低频与高频信号,将低频信号送入LSSVM模型预测,高频信号送入ARIMA模型预测;针对预测结果产生的误差,将误差值送入向量机中学习,将风电预测与误差预测结合起来,使预测精度进一步提高。结合某风电场的历史实际出力数据,将多种模型进行比较,从不同角度验证了本文提出的MEEMD-ARIMA-LSSVM组合预测误差校正模型具有较高预测精度,能够适应对预测精度有较高要求的情况。