随着风力发电技术的迅速发展,大规模风电并网必定会对电网造成极大的冲击,对风电功率进行准确预测可以降低风电并网对电网造成的负面影响,但是风力发电具有随机性,使得历史风电功率数据具有非线性的特征,因此,本文在总结现有预测方法的基础上,将信号处理领域的两种模态分解方法应用到风电功率超短期预测中,降低历史风电功率数据随机性的同时提高了预测精度,主要研究工作如下:1.对单一的风电功率预测模型进行介绍,对BP、RBF、GRNN三种神经网络和多项式核、RBF核、Sigmoid核三种支持向量机(SVM)进行建模,经实例仿真确定RBF核支持向量机作为基本风电功率预测模型。2.将经验模态分解(EMD)和SVM结合用于风电功率预测,针对EMD存在的端点效应等缺点,对EMD进行包络线拟合和端点延拓两方面的改进,并建立EMD-SVM风电功率预测模型,经实例仿真证明镜像延拓EMD-SVM模型具有更好的预测精度。3.由于EMD存在难以解决的模态混叠问题,提出变分模态分解(VMD)与SVM的组合预测模型,针对VMD存在模态个数难以确定的问题,提出将互信息应用到VMD中以确定模态个数,并建立VMD-SVM风电功率预测模型,经实例仿真证明相比EMD-SVM模型,VMD-SVM模型具有更高的预测精度。4.由于SVM存在参数难以选择的问题,提出采用灰狼算法(GWO)优化SVM参数,针对GWO容易陷入局部最优解的缺点,提出混合多种策略的改进灰狼算法(IGWO),并建立VMD-IGWO-SVM风电功率预测模型,经实例仿真证明与传统群智能算法相比,IGWO具有更好的寻优能力,VMD-IGWO-SVM模型具有更好的预测性能。