随着风电的高速发展以及在电网中渗透率的急剧增大,使得风电功率的高度随机性和波动性对电网的影响越来越大,精确的风电功率预测对电网的安全经济运行、合理发电调度以及电网的调峰调频都具有重要意义。已有的一些研究工作存在着许多问题,本文对于此做了更深入的探讨。由于传统的最小二乘支持向量机(Least Squares Support Veotor Maohine,LS-SVM)风电功率预测模型仅针对模型参数(惩罚因子γ、核函数宽度σ)进行优化,没有较大限度的挖掘样本信息以及探讨它们之间的依存关系,所以预测误差相对较大。文中将风速时间序列的空间重构参数(嵌入维度m、延迟时间τ)共同归入参数优化中,采用粒子群算法同时优化四个参数γ,σ,m和τ,建立LS-SVM风功率预测模型。通过对我国西北某风电场的实例分析表明,文中提出的四参数同时优化的方法切实可行,与传统两参数优化预测模型相比较,可以一定程度的改善风电预测精度。单一的短期风电功率点预测往往不能满足电网风险评估和制定决策的需求。文中首先由MATLAB中累积经验分布函数(Empirical Cumulative Distribution Function,ECDF)统计出每个风电功率预测箱内的理论概率模型,其次利用指数型协方差函数表达式确定日前动态场景对应的最佳协方差矩阵,进而确定在相连的多个时刻风电场出力服从的多元正态分布模型;针对每一个预测时刻截面风电功率的点预测值属于的预测箱内,对服从多元正态分布的随机向量样本进行直接抽样,从而形成风电功率的日前动态场景。经过对某现实中的风电场仿真实验,结果显示了考虑不同时刻层面风电功率波动性的场景集可以涵盖风电功率实测值曲线,证明了该方法的可靠性。鉴于自回归移动平均(AutoRegressive and Moving Average,ARMA)的风电功率预测方法对较大误差波动分析能力的局限性,文中依据历史数据获得ARMA模型,其次建立广义自回归条件异方差(Generalized AutoRegressive Conditional Heteroskedasticity,GARCH)模型消除风电功率预测误差的条件异方差特性,形成ARMA-GARCH复合预测模型;又进一步在此基础上针对预测误差尖峰轻尾的统计特性,运用区别于其他概率密度分布具有较大优点的改进广义误差分布(Generalized Error Distribution,GED)模型,提出对风电功率预测误差进行分层的观点,并对处于不同情况下的预测误差给予对应的补偿方案,最后通过实例计算证明本文方案对改善风电功率预测精度的有效性。