由于风电随机性和波动性的存在,大规模风电并网对电力系统运行造成很大影响,如系统的稳定性和电能质量,因此风力发电被认为是不可调度的。风功率不确定性预测是解决这些问题、提高电力系统风电并网能力的一种有效工具。典型的风电功率概率密度预测方法多为单项预测方法,通常根据数据从多种假设模型中选择一种作为最优预测模型。主要可分为参数预测和非参数预测两类。参数预测方法假设是预测目标服从某种特定分布形式,如Gaussian分布、Warped Gaussian分布、Beta分布、Versatile分布和Logit-Normal分布等,根据历史数据训练得到预先假设分布模型的参数,进而进行预测。参数方法的预测效果可能由于模型选择的不同而存在较大的差异,并且风电功率不一定服从某种分布这一事实制约了此类方法的普适性。非参数预测方法不对预测目标的分布形式进行假设,可有效避免模型分布形式选择带来的建模误差。然而,任何一种单项预测方法均有其固有的局限性,且只适用于部分风场,目前还没有一种概率预测方法可以适用于所有风场。因此,所选择的单项预测模型对现有数据来说不一定是最优模型。而组合预测方法能够综合多种相同预测水平的单项方法的优势,得到不同情况下各种单项预测方法优势互补的预测方法,从而降低单个预测模型中随机因素的影响,以提高预测精度。目前,短期风电场输出功率概率式预测方法存在以下几点问题：①预测精度需要进一步提高,包括期望值预测精度、分布预测精度等；②已有方法多是基于参数方法进行的风电场输出功率概率预测,对风电场输出功率分布的预先假设制约了这种方法的普适性；③现有方法多为单项预测方法,现在发展起来的少数组合预测方法较多针对点预测结果进行预测,且针对风电场输出功率进行概率预测的组合方法多为参数预测,忽略了风电场输出功率有可能不服从某种特定分布的影响。本文先后提出了单项和组合非参数风电功率概率预测方法。首先提出了一种基于稀疏贝叶斯分类与Dempster-Shafer (D-S)证据理论的短期风电功率概率分布非参数估计方法,预测时间尺度为48 h。该方法首先通过支持向量机(support vector machine,SVM)对风电功率进行点预测；进而将SVM预测误差的范围离散为多个区间,通过建立稀疏贝叶斯分类器对SVM预测误差落入各预定区间的概率进行估计。然后应用D-S证据理论对所有区间对应的概率估计结果进行整合,得到SVM预测误差的整体概率分布。最后叠加误差分布与SVM预测的风电功率值,得到风电功率的概率分布结果。该方法基于稀疏贝叶斯架构构建,具有高稀疏性,确保了模型的泛化能力与计算速度。该方法还系统地计及了风电场输出功率必须满足在[0,GN](GN为风电场装机容量)内取值的边界约束,使预测结果更加符合实际。其次,提出了一种风电功率组合概率预测方法。受到贝叶斯模型平均(Bayesian model averaging, BMA)方法的启发,在BMA方法的基础上,将BMA所组合的单项模型采用不同形式的概率函数表示,包括：Gaussian、Weibull函数以及核密度估计函数,并且以概率评价指标连续排名概率得分最小作为目标函数,对模型参数进行进一步优化。本文模型可以根据不同风场数据的特点自适应地得到任意形式的分布形式,可有效降低模型分布形式的选择带来的模型误差,真正做到预测模型的普适性。通过实例分析,表明所提出方法的有效性。