在可再生能源中,风能作为化石能源的替代能源,被认为是最有前途的能源之一。然而,由于风力存在明显的间歇性、不确定性,风力发电机组输出功率不稳定,给电力系统的稳定运行带来严峻挑战。高精度的风速和风电功率预测,在并网计划、安全效益、检修安排等方面具有重要意义,同时传输系统运营商将更容易进行实时调度。本文依据华北某风电场SCADA历史数据对风速及功率预测展开研究。针对风速具有强非线性的特点,提出了一种奇异谱分析和改进粒子群优化自适应模糊神经网络的短期风速预测模型。该方法采用奇异谱分析将原始系列分解为趋势和谐波分量,对各分量分别建立模糊神经网络模型,最后将各分量预测结果叠加得到预测风速值。针对自适应模糊系统中隶属度函数更新的弊端,采用改进粒子群算法对隶属度函数进行优化更新,有效的提高了模型预测的精度。仿真实验为了证明所提模型的精准性、高效性、鲁棒性,加入了不同模型的对比,同时对不同时间间隔的风速进行预测,验证了模型的性能。对风功率预测采用间接预测法,基于风速预测的结果,通过风速-功率特性曲线对功率进行预测。为了提高预测的准确度,引入Copula函数构建概率风速-功率曲线,利用置信区间的变换去除实测风速-功率曲线中的异常点。采用分段线性法对概率风速-功率曲线拟合,通过风速预测的结果得到功率预测值。分别对单台风电机组和全场的风功率预测进行了仿真实验,验证了模型的有效性。针对风电场数据量巨大的特点,本文将风速风功率预测模型与云计算平台结合,开发了基于云计算平台的风速风功率预测系统。系统采用Hadoop平台解决单点计算能力不足的问题,利用Spark云计算框架进行并行计算。实验对不同节点数的计算时间、计算精度进行了仿真,结果表明云计算平台提高了计算效率。该云平台模型对大型风电场的风电预测具有指导意义。