伴随着国家经济的发展,我国风电能源发展已经快速提升,风力发电作为一种绿色可再生能源,目前已得到广泛的重视和政策性激励,并纳入国家能源长期发展战略。由于风速和风向变化导致风电机组发电形成较大的随机性、波动性与非稳定性,给电网快速、有效、安全的调度增加了许多困难,并且严重影响电力系统的安全运行。对风电功率进行精确的短期预测能够实现风电场对于电量的合理分配和调度、能够有效对风能开发与利用、保证电力行业的稳定发展。可变模态分解(Variational Mode Decomposition,VMD)是近几年新提出的自适应信号处理分解技术,能够对非线性、非平稳信号进行处理。本文采用可变模态分解对原始的风电功率数据信号进行分解,同时结合改进的灰狼优化算法和核极限学习机神经网络进行预测。为了提高风电预测精度,本文采用实际风电场数据进行短期风电功率组合预测研究。研究该组合预测模型在非平稳数据信号预测中的优势,本文主要研究内容有以下几点:1.原始的风电数据预处理。由于原始采集的风电功率数据存在缺失或异常值,根据风电数据相关资料的合理性检验,采用四分位法进行异常数据的处理,使其符合风电机组标准风速-功率曲线。针对功率数据具有的波动性和非稳定性,利用信号分解算法对处理后的风电数据进行降噪处理,降低数据非平稳性对预测模型的影响,改善预测模型性能。对此本文采用变分模态分解算法对风电功率时间序列数据进行分解,得到了有限个具有不同带宽且相对较平稳的固有模态分量,提高数据质量,这也是高精度建模的前提。2.分别采用BP(Back Propagation,BP)神经网络、深度信念网络这两种预测方法对风电功率数据进行预测分析。通过分析各算法预测效果图和预测评价指标,发现预测曲线与真实值波动趋势相近,深度信念网络的预测效果优于BP神经网络,预测性能最优,但预测精度需有待提高。3.针对单一预测模型预测精度不高,采用一种基于改进灰狼算法优化的核极限学习机与可变模态分解相结合的组合预测模型,并对风电机组功率数据进行预测。采用灰狼优化算法,能够对核极限学习中核参数和惩罚系数进行优化,有效地提高了模型预测精度。实验结果表明,相比于未采用优化算法的的神经网络模型,该组合预测模型在预测精度上得到提高。