风力发电是未来清洁能源主要发展的方向之一,随着关键风力发电技术和设备的日渐成熟,风力发电场规模不断扩大,风电全国并网比例也呈递增趋势,风力发电功率的强非线性特性对国网安全与稳定运行的影响越来越突出,及时预测风力发电的输出功率是缓解电网调峰、调频压力,提高国网稳定安全运行的有效方法之一。因此,研究能够准确预测风电功率及变化趋势的方法是很有必要的。本文通过核主成分分析(Kernel Principal Component Analysis,KPCA)提取有效维度的历史风电功率数据,简化核极限学习机(Kernel Extreme Learning Machine,KELM)算法的输入维度,然后将不同核函数引入新型前馈神经网络构建基于实际风电场数据的短期风电功率预测模型,为了进步简化主观因素对模型的影响,将优化算法引入到预测模型中来,对核函数的参变量予以改善,使模型在预测精度和泛化方面具备更好的表现。本文主要研究内容如下:(1)核学习理论研究。首先,在研究前馈神经网络的基础上,对极限学习机(Extreme Learning Machine,ELM)的基本算法进行了深入研究,并将核函数升维学习的思想引入到ELM算法中,构建具有强非线性信号处理能力的KELM,并重点分析高斯核函数、小波核函数、多项式核函数以及线性核函数对ELM算法的影响,并且利用正则化最小二乘算法,进一步提高KELM的鲁棒能力。其次,在主成分分析(Principal Component Analysis,PCA)基本原理与算法基础上,着重探究高斯核函数、小波核函数、多项式核函数以及线性核函数与PCA算法的结合。将核函数引入PCA形成KPCA,并深入研究核函数对提取的有效特征以及对模型预测精度的影响。(2)将KPCA方法与KELM方法相结合,提出一种基于KPCA-KELM的超短期风电功率预测模型。将KPCA提取的非线性主元,重构成时间序列向量,并作为KELM方法有效输入,构建KPCA-KELM风电功率预测模型。为了验证所提出方法的合理性,首先将KPCA-KELM应用于常规混沌时间序列的预测中,并且探究影响KPCA-KELM风电功率预测模型预测精度因素。其次,基于加拿大亚伯达省风电场及美国NREL实验室的实测数据,验证所提KPCA-KELM风电功率预测模型的预测精度和泛化能力。并通过对比试验探究核学习理论对基于KPCA-KELM的超短期风电功率预测模型的预测精度的影响。(3)在研究影响KPCA-KELM风电功率预测模型预测精度的基础上,为了简化主观因素对模型的预测精度的影响,将优化的思想引入KPCA-KELM风电功率预测模型中,即分别利用遗传算法(GA)、模拟退火(SA)和微分演化(DE)三种优化算法对风电功率模型的初始化参数:输入维度、核变量以及正则化系数进行寻优,进而形成KPCA-O-KELM方法的三种不同算法:KPCA-GA-KELM、KPCA-DE-KELM、KPCA-SA-KELM,并且,首先将KPCA-O-KELM应用于标准混沌时间序列的预测中,探究KPCA-O-KELM风电功率预测模型构建的合理性。其次,为了测试KPCA-O-KELM方法对超短期风电功率预测的能力,将KPCA-O-KELM风电功率预测模型用于美国NREL实验室所提供的实际风电功率实测数据。