随着社会对气候、环境等问题的重视和生产生活对能源需求的增长,开发利用新能源已成为解决这些问题的重要途径,风能因自身储量大、低碳环保和可再生的独特优势得到人们的广泛关注。随着风电的大力开发,风电并网规模逐步增大,但风能因自身特性导致风电存在很强的波动性和间歇性,使得风电在并网时存在严重的弃风现象,致使大量风能资源的浪费。提高风电功率预测精度对降低风能不确定性给风电并网带来的冲击影响、提高风能资源利用率和风电消纳水平、保持电网安全稳定运行具有重要意义。因此,本文在研究风电特性的基础上,针对如何提高短期风电功率预测精度作相关研究,主要研究内容如下:（1）分析了风电场采集数据的合理性和完整性,将数据集中不在合理分布区间的数据剔除,对风速-输出功率散点图中的功率异常值进行分类,然后利用四分位法对异常点进行清洗,并根据清洗后数据拟合的输出功率曲线对数据集中所缺失的功率数据进行修复。使用灰色关联度分析对影响风电输出功率的气象因素进行定量分析,并选取了与输出功率关联度较高的风速和风向作为预测模型的输入变量。（2）引入了动态正弦波惯性权重,并在迭代后期增加柯西变异和交叉操作以提高原子搜索算法（Atomic search optimization,ASO）的寻优能力,得到改进原子搜索算法（IASO）,并通过单峰和多峰测试函数对IASO算法的性能进行了验证。利用IASO算法对支持向量机（Support vector machine,SVM）的参数进行优化,进而提出了基于改进原子搜索算法优化支持向量机（IASO-SVM）的风电功率预测模型,并利用IASO-SVM模型对两组数据进行预测。其中IASO-SVM模型两组预测结果的归一化平均绝对误差（Normalized mean absolute error,NMAE）均控制在5%以下,表明对算法的改进确实提高了风电功率的预测精度。（3）将小波分解技术（Wavelet decomposition,WD）与IASO-SVM模型相结合,提出了用于短期风电功率预测的WD-IASO-SVM模型,通过小波分解技术对历史风电功率数据进行分解以进一步降低数据随机波动给功率预测带来的误差,提高数据的可预测性以改善模型的预测性能。预测结果显示,本文所提WD-IASO-SVM模型的评价指标NMAE值比WD-ASO-SVM模型至少下降1.14%,另一个在工程中常用的较大误差概率（Pr）指标在对比模型结果中最小,表明所提WD-IASO-SVM模型有更高的预测精度,该模型是一种更可靠的短期风电功率预测模型。