新能源具有污染小,储量大等不可比拟的优势,而风能作为目前技术较为成熟新能源之一,若能充分发展利用,不仅可以满足人们日常生活的需要,更可助力“双碳”等国家战略目标的实现。但是,自然风具有不稳定性,且经风力发电系统转换后会导致输出的风电功率也不稳定,在并网后会严重危及电力系统的稳定性和安全性,大大增加了风能开发利用的难度,因此,必须对风电功率进行有效预测。风电功率超短期预测模型存在预测精度不够的问题,主要原因在于原始数据精度不足、风电场的复杂环境以及模型本身性能欠缺。因此,为了提高风电功率超短期预测模型的精度,本文从模型的改进以及数据处理这两方面进行了深入研究。针对由于风电功率超短期预测模型本身预测精度不足的问题,提出了一种基于模拟退火算法、遗传算法改进极限学习机的风电功率超短期预测模型。利用模拟退火算法优化极限学习机,使其在处理超短期内波动性较大的风电数据时拥有更好的泛化能力,此外,针对遗传算法的选择策略加以改进,将其用于搜索极限学习机的最佳惩罚因子,并建立预测模型。结果表明,相较于其他模型,该模型的预测精度更高。针对由于风电数据的精度不足而造成的模型预测精度不足的问题,提出了一种基于聚类分析以及核主成分分析进行数据预处理的风电功率预测模型。首先通过聚类分析对风电信号进行预处理,缩减样本数量,提升数据精度;然后在利用皮尔逊相关系数法验证了核主成分分析法在本模型中的可行性,并在此基础上对数据进行降维,去除数据之间的相关性,提取数据的主要特征,并结合随机森林算法建立预测模型。结果表明,将数据按照上述方法进行处理后,风电功率预测结果与实际值更为接近。为验证所提模型的有效性,本文利用MATLAB软件进行仿真。与其它预测模型进行多方位对比,仿真表明,基于上述两种模型的预测方法在预测准确度上有所提升,达到了实验预期。