近年来,随着传统能源消耗巨大并逐年趋于枯竭,可再生能源的使用已成为持续发展的热点。风能作为最有代表性的可再生能源之一,风电产业在各国都处于大力发展和运行阶段。但是由于风能具有间歇性和波动性,导致运行工况实时变化,会对电网安全产生威胁,增加电力调度控制难度,因此基于工况辨识的预测方法成为研究热点。基于工况辨识的预测不仅符合工程实际情况,同时提高了预测精度。基于以上,文章提出了一种基于改进支持向量机（SVM）和集成学习的风电功率预测模型,具体分为以下几个方面:首先,分析SVM算法在解决非线性、小样本等识别问题中表现出许多特有的优势,单一的SVM存在的学习能力不足、无法有效利用大数据资源提高精度等缺点,以及选择不同SVM核函数导致预测结果出现的偏差。采用选择适当核函数的SVM算法建立风电功率预测模型,初步完成了风电功率预测。其次,研究集成学习的基础理论,并将集成学习应用到风电功率预测中。基于集成学习的思想,对风电机组进行工况辨识。在工况辨识过程中,本文比较了功率等长划分、k-means和模糊C均值聚类法,通过计算距离指标和DB指标来衡量三种辨识方法的有效性,最终选择模糊C均值聚类法完成风电机组的工况辨识。最后,针对辨识出的运行工况,基于SVM建立子学习器模型。在主学习器的选择上,考虑到运行工况对主学习器的影响,提出了一种基于改进的主学习器模型,将样本到聚类中心的距离加入到主学习器模型的训练中。通过实验分析,将该主学习器与加权平均主学习器、基于SVM的主学习器进行对比,由于改进的主学习器考虑到了工况因素,因此更加符合工程的实际情况,并且预测精度高,适用于风电功率的预测。