现在地球能源逐渐在消耗殆尽,伴随着能源的消耗加剧随之环境的污染越来越严重,世界各国正在努力探索新能源,有望将清洁能源替代化石能源。在这样的条件下,蕴藏量丰富、洁净环保、可再生等优点的风能被发掘出来,同时也很迅速的被利用在大电网和能源系统中。虽然,风能取之不尽,但是风力发电受到很多因素的影响,同时,加上风能的随机性、间歇性、不确定性较强,导致风力发电的不稳定性相对较大。假如不能精准的进行风功率预测,给电网调度部门提供充分可靠的依据,则安全且可靠运行的电网将不复存在。因此,为了削弱风力发电并网时产生的消极影响,提高风力发电功率预测的准确性研究是非常必要的。本文提出并设计了一种融合小波变换（Wavelet Transform）方法、集成学习技术（Ensemble Technique）和回声状态网络方法（Echo State Network）的混合模型框架对风力发电功率进行精准的预测。首先,考虑到风功率数据可能具有潜在的某些重要的特征,通过应用小波变换（WT）的方法可以充分提取出风功率时序数据的某些方面重要特征。其次,利用回声状态网络算法（ESN）分别对这些不同频率的子序列数据进行建模,模型的输入是不同频率的风功率子序列数据。随后,风功率的结果预测值是利用把所建立的模型预测值执行进一步的小波重构而得到的。最后,为了防止模型的过拟合、减少数据噪声、提高风功率预测精确度和改善模型的鲁棒性,本文应用集成学习技术利用建立的多个不同的模型分别进行预测,之后将所有预测结果进行重构得出最后的输出值。本文又对于所设计提出的基于回声状态网络和集成学习技术的风功率预测进行了仿真分析和实验。本文是在基于Pycharm开发平台上利用Python语言和Tensorflow框架下进行的仿真程序编写,并通过利用来自比利时和中国的真实风力发电场的数据进行了仿真实验。之后BP神经网络（BPNN）和支持向量机（SVM）算法这两种基准算法被作为基准算法进行对比。最后,仿真实验证实,本文所提出的混合智能预测算法在预测精度上要优于常用的经典基准预测算法,并且也充分表明了该模型框架在电力系统和能源系统中具有较高的实际应用前景。