随着可再生能源的开发和利用取得令人瞩目的成就,风力发电也进入了高速发展阶段。但大规模风电并网,势必给电力系统的安全稳定运行带来巨大挑战。风速及风功率预测是降低风电并网成本和保证电能质量的有效途径。然而,由于风能的间歇性和随机性等因素对预测结果产生的影响,如何达到更准确的预测是目前研究中的重要任务。为了提高风速及功率的预测精度,实现高效的电网调度,本文研究了基于风电场历史数据的风速及风功率短期预测。主要研究内容如下:1.为保证数据的可靠性和完整性,进行数据预处理。首先采用孤立森林和基于链式方程的多重插补相结合的方法对原始数据进行异常值检测和缺失值插补。其次考虑到历史数据的采样间隔短、数目多以及为了研究需要,通过调整时序间隔来整合数据信息。最后,采用最值归一化处理实验数据。结果表明,异常数据基本检测完全,对异常数据的修复和缺失数据的插补明显提高了数据的完整性和可靠性,数据整合有效减少了计算资源的浪费,同时归一化处理消除了数据量纲和数量级在预测过程产生的影响。2.为了在短期风速预测中提高随机森林算法的预测精度,提出了一种改进果蝇算法优化随机森林回归模型参数的组合预测方法。首先在果蝇优化算法中实现搜索步长的自适应更新以加强该算法的全局寻优和局部探索能力。然后定性分析随机森林回归模型中主要参数对预测结果的影响从而确定寻优参数。最后通过改进后的果蝇算法迭代寻优模型参数,将确定的参数值输入预测模型完成短期风速预测。实验表明,改进的果蝇优化算法具有更好的收敛精度,组合方法的预测结果与实际风速具有最佳拟合优度,所提方法能满足较高精度的预测需求。3.针对风功率的波动特性和时序特性对预测结果产生的影响,提出了基于变分模态分解与长短期记忆网络的短期风功率组合预测方法。该方法首先通过变分模态分解将风功率信号分解为不同的限带本征模态函数以完成数据的降噪分解。然后在长短期记忆网络模型中添加Dropout正则化方法防止过拟合,同时对比梯度下降优化算法并选择Adam算法调整网络参数。最后利用建立的长短期记忆网络模型获得各模态分量的预测结果,求和重构各分量的预测结果以实现风功率的短期预测。实验结果表明,变分模态分解可以有效提取风功率数据特征并处理功率信息的波动,该组合方法提高了预测结果的准确性。