清洁风能,储量丰富,来源广泛且可持续再生。在全球变暖,气候恶化的今天,世界各国开始降低化石能源利用比例,提高风能利用比例,使得风力发电技术及规模得到迅猛的发展。风力发电发展面临的问题是因风力发电的不稳定性及调峰能力弱导致的电能质量下降及电网运行不稳定。目前解决此类问题的普遍做法是采用化石能源调峰及根据风力发电量增加相应规模的储能设施。但采用此类手段,会极大降低风力发电的经济性及社会对风力发电投资的热情。因此急需寻求一种投资少且能对此类问题起到作用的方法。根据风电功率预测结果来调整风电场运行方式及电网调度,可有效缓解此类问题。目前风电功率预测系统普遍采用的算法为物理预测法及统计学预测法,人工智能在商业风电功率预测系统中较少。本文主要工作为风电功率超短期与短期预测算法研究,具体工作如下:（1）风电场风速及发电数据的分析及处理。根据属性重要程度对风电场采集的原始数据进行处理。对风速等数据采用平均风速进行分类,根据重要度及缺失数据量大小分类,采用填充及删除相关数据方法对原始数据进行初始预处理。对预处理数据及发电功率等分析,根据风力发电机组的异常类型将数据分类。采用变点分析-四分法对其中的异常数据进行处理,处理后的数据可保证数据可靠性且减少后续算法计算量。（2）基于变分模态分解（Variational mode decomposition,VMD）的风电功率超短期预测算法。将原历史功率数据经变分模态分解为IMF1～IMF7分量。利用遗传算法（Genetic Algorithm,GA）确定后向传播（Back Propagation,BP）神经网络的输入层-隐藏层及隐藏层-输出层的初始权重及偏置值。将当前及前置时刻的IMF1～IMF4与风速及风切角度数据作为BP输入层神经元输入,预测IMF1～IMF4分量的未来时刻数值。IMF5～IMF7未来时刻数值由历史数据采用自回归滑动平均模型（Auto Regressive and Moving Average model,ARMA）算法预测得到。最后将各分量由VMD方法重构,得到风电功率预测值。此模型预测值与实际值的对比证明了模型的有效性。（3）基于长短期记忆（Long-Short Term Memory,LSTM）神经网络及随机森林组合（Random Forests,RF）网络的风电功率短期预测算法。首先用原始数据集分别训练LSTM网络模型和RF模型。再将当前时刻及历史时刻数据输入训练好的LSTM网络,得到未来单步长时刻风电功率预测值。最后将LSTM网络预测值、当前时刻及历史时刻数据作为RF输入,得到未来两步长时刻的预测值。此模型预测值与实际值的对比分析证明了模型的有效性。