近年来,传统能源的消耗日益增加,能源危机变得越发严重。为了解决能源短缺问题,各国都在着手于新能源的开发。作为绿色清洁能源且储量巨大的风能得到了广泛的关注与发展,风电规模与并网数量与日俱增。但由于风电的随机间歇性与波动性,在风电大规模地并入电力系统时给系统的运行带来了极大的冲击。倘若根据预计发电量,提前做出规划对风电进行有效调度,从而满足用电需求,不仅可以使资源利用最大化,还可提高电力系统的安全可靠运行。因此对风电功率的预测显得尤为重要。针对风电功率预测精度进行研究,主要工作有以下几点:（1）根据风电规律,选取互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）对风电功率数据进行分解,其通过加入双向白噪声,有效消除了经验模态分解（Empirical Mode Decomposition,EMD）中模态混叠与集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）中噪声干扰问题。使用最小二乘支持向量机（Least Squares Support Veotor Maohine,LSSVM）对各分量进行预测,用等式约束条件取代不等式约束条件,降低非线性风电功率预测的难度,使用鲸鱼优化算法（Whale Optimization Algorithm,WOA）对LSSVM的惩罚因子与核参数进行优化。建立CEEMD-WOA-LSSVM模型,通过CEEMD将原始功率数据分解为若干子序列分量,采用WOA-LSSVM模型分别对各个子序列分量进行预测,将各个子序列的预测结果叠加从而得到最后的预测结果。（2）分析WOA在收敛速度与寻优能力上都存在一定的缺陷。提出自适应权重与概率阈值以及引入柯西逆累计分布变异函数的改进策略,以提高收敛速度与精度,并使用五种基准测试函数对改进后的鲸鱼优化算法（IWOA）进行测试。（3）针对CEEMD分解所存在的问题,引入变分模态分解（Variational Mode Decomposition,VMD）,组建新的预测模型VMD-IWOA-LSSVM模型。通过VMD分解降低预测难度,使用IWOA优化LSSVM,对VMD分解后的各分量进行预测,再将各预测结果叠加得到最终结果有效提高预测准确性。