风能以其储量大、分布范围广等特点,受到人们的重视。但是由于风的随机性、不确定性的特点,风力发电的功率会不断波动,如果将其直接并入电力系统,会对电力系统的稳定性产生影响。风电功率预测是风电并网的必要技术之一,通过提前对风电场发电功率进行预测,提高风电并网率,并降低对电力系统稳定性的影响。风电功率预测需要对大量的风电数据进行提前处理,从而更好地挖掘数据内部隐含的规律,传统算法在提升聚类有效性及挖掘时间序列状态规律等方面还需进一步研究。诸如,一是传统的聚类算法虽然可以按照数据不同规律进行分类,但过程中没有考虑隐含的天气变化和功率段趋势特性;二是利用聚类处理数据时只考虑样本子集类内样本点差异性小的要求,未考虑到不同类样本数据差异大的要求;三是对于风电数据相对应的状态序列按其规律进行推导时,出现状态转移概率相近的情况仍按照最大概率原则进行处理,可能导致状态划分不合理,同时整个过程也未考虑天气信息对其功率的影响。针对上述存在的问题,本文依次进行以下研究:首先,对风电数据中隐含的特征数据进行提取的问题,提出基于指数相似系数法对传统模糊C均值聚类算法进行改进,使得在聚类过程中能够在原有的基础上,进一步考虑到风电数据中隐含的天气变化与功率段趋势之间的关系,采用分类建模的思想,对聚类出的样本子集进行分类建模,建立预测所需的多BP神经网络模型。其次,对上述聚类算法在聚类过程中只考虑到类内要求,未考虑到不同类之间要求的问题,进一步提出一种多模糊C均值聚类算法,对传统模糊C均值聚类算法中的目标函数加以改进,将聚类的两个要求转换成三级目标函数的逐级优化问题,通过算法的更新迭代,逐步满足类内样本差异小、类间样本差异大的要求,并建立相应的极限学习机模型进行预测。最后,通过进一步改进后的多模糊C均值聚类算法得到的风电数据对应的状态序列中,预测点属于不同状态概率数值相近的情况,提出一种基于多模糊C均值聚类与模糊马尔科夫链组合的风电功率预测方法,利用模糊马尔科夫链解决马尔科夫链对样本状态划分过程中存在的概率数值相近的问题,另外在预测过程中,为了加入天气因素对风电功率的影响,对模糊马尔科夫链得到的预测点的转移向量加以改进,得到之前利用分类建模时搭建的各个模型预测结果权重,进行组合预测。为了验证本文所提方法的有效性,采用风电场实测数据进行算例验证,通过结果分析,表明上述风电数据中隐藏特性数据提取、进一步提升聚类有效性以及状态序列中概率值相近的问题,得到了有效解决,最终搭建的预测模型均方根误差为11.54%,有效提高了风电功率的预测精度。