随着风电技术的不断发展,风电规模和并网风电场规模不断扩大,电力需求比例也在不断增加,这种趋势使得风力发电对电网的影响越来越明显,为了满足供电需求,保证电网稳定运行和供电系统的可靠性,实现对风力发电机组的有效控制,风功率预测成为不可或缺的环节。由于风电功率是波动的、间歇的,但是通过分解可以有效降低风功率序列的波动性。首先对经验模态分解(EMD)、小波分解(WD)和变分模态分解(VMD)三种分解方法进行原理介绍和频谱分析。从分析结果可知,经验模态分解法虽然具有较强的自适应能力,但是模态混叠现象对分解的准确性产生了较大的影响,高频分量IMF1的预测效果较差;小波分解需要先确定合适的小波基函数,否则对实验结果影响较大;变分模态分解方法不但能避免模态混叠现象,而且不必选择小波基函数,减少了实验步骤。其次应用时间序列模型(ARMA)进行超短期风功率单步预测。第一步介绍了ARIMA模型的基本原理、预测步骤;第二步将ARIMA模型应用于风功率单步预测,预测精度较低。然后提出了基于VMD-ARIMA-GARCH组合模型的超短期风功率单步预测。第一步对风功率序列进行变分模态分解,以降低风功率序列的非平稳特性;第二步对各分量建立ARIMA模型,再对各分量进行残差序列检验,对存在异方差特性的分量建立ARIMA-GARCH模型;第三步叠加各分量预测结果得到最终的风功率预测值。最后针对多步预测时分解层数过多导致预测时间长、计算量大的问题,引入了模糊熵理论,由于经验模态分解方法具有较强的自适应能力,同时对该分解方法进行改进,引用了CEEMD的改进方法。第一步对风功率序列进行互补集合经验模态分解;第二步对CEEMD的分解结果进行复杂度评估,对复杂度相似的相邻分量做叠加处理,形成新的组合分量,从而减少预测时间和计算量;第三步对新的组合分量建立CEEMD-FE-ARIMA-GARCH组合模型,从而进行超短期风功率多步预测。同时,引入了区间预测,区间预测对风电场合理分配上网及实时调度具有重要意义,同时能够有效提高风电场的经济效益。