随着全球能源的进一步紧缺，风能作为一种储量丰富、清洁环保的可再生能源越来越得到人们的重视。风电大规模并网所需解决的首要问题是提高风电出力的预测精度。现有的风电功率预测研究更多的关注于预测模型本身性能的优劣，而忽略了对风电功率时间序列的属性分析，造成所选定的预测模型不能充分学习风电功率时间序列所蕴含的全部信息。基于此，本文运用多尺度分析和混沌理论对传统的风电功率预测模型予以改进，具体为：本文利用经验模式法对风电功率时间序列进行多尺度分析，进一步对各频带分量进行Hilbert—Huang变换，得风电功率时间序列的时频谱和边际谱，充分反映了风电功率时间序列的幅值随频率和时间变化的细节信息。对各频带信号采用C—C法进行相空间重构，同时估计出各频带信号的延迟时间和嵌入维数，利用Wolf法计算各频带分量的最大Lyapunov指数，在判定各频带分量均具有混沌属性后，可对其进行混沌预测。在相空间重构的基础上，本文改进了最小二乘支持向量机和混沌径向基函数神经网络两种风电功率预测模型，算例结果表明：两种预测模型均能很好的反应风电功率时间序列的未来变化趋势，具有较高的预测精度。上述两种预测模型均采用粒子群算法进行参数优化，以期降低模型的预测误差。综合考虑风电功率时间序列中各频带信号的变化特征和单项预测模型的优点，本文提出了一种风电功率纵向叠加预测模型：对各频带信号的平均瞬时频率进行计算，区分高频随机分量和低频趋势分量，采用径向基函数神经网络对高频随机分量进行混沌预测，运用最小二乘支持向量机对低频趋势分量进行混沌预测，拟合各分量的预测值得最终预测结果。算例结果表明，本文所提出的纵向叠加预测法优于各单项预测模型，预测结果稳定性好，可为风电功率预测提供参考。