风能作为可再生清洁能源之一,具有便于开采、运输成本低、无污染等诸多优点。随着全球倡导低碳经济,我国在近几年大力发展风电建设,风电装机规模逐年递增,并持续入网。但是,由于风速的波动性、间歇性导致风电功率输出不稳定,给电力调度带来极大困难;并且,当风电占比提升到一定比例后,会加大电网运行安全风险。因此,如何提高电网对风电的接纳能力,是行业内一直探讨的问题。在这种背景下,风电功率预测应运而生。综合现阶段风电功率预测的方法,不难发现主要存在预测精度不高、预测时长短等不足,本文就如何提高风电超短期功率预测精度进行研究,主要内容概述如下:首先,对本文所研究课题的背景、研究的意义以及现阶段研究状况做概要介绍。结合风能的基本特征和风力发电机组的相关技术参数特性,分析总结了影响超短期风力发电功率预测的主要因素。介绍了常用的风电功率预测方法,提出本文采用间接预测方法,即先对风速进行多步超前预测。其次,针对风速波动性和不稳定性等特点所导致的风速预测模型精度低和风速响应能力差的问题,本文采用变分模态分解(Variational Mode Decomposition,VMD)算法,对原始风速数据在时间序列上进行分解,得到平稳性较好的子序列,通过仿真实验验证了该方法的有效性。再次,在变分模态分解算法的基础上,引入BP(Back Propagation,BP)神经网络算法,对分解后的子序列分别建立预测模型,采取直接多步预测法对各分量进行多步预测,然后将各风速子序列预测结果叠加重构得到风速预测结果。通过仿真实验验证了基于VMD-BP模型的超短期风速预测方法准确度较高。最后,采用支持向量回归机(SVR)拟合风速功率映射关系曲线,结合VMD-BP模型的风速预测方法,建立风电超短期功率预测模型,通过仿真实验验证了基于变分模态分解组合模型(VMD-BP)的风电超短期功率预测方法有较高的预测精度。