随着风能在世界能源格局中的比重不断增加，风电技术和市场快速发展，风能对电力系统的影响越来越大。然而风力发电具有很强的随机性、波动性和不可控性，大规模风电并网将给电力系统的安全运行及电能质量带来严峻的挑战。风电功率预测被普遍认为是应对风电接入的关键技术之一，精确的预测结果能够指导电力调度部门及时调整调度计划、减少备用容量、降低运行成本，促进风电技术的发展，但风电预测不同于其他发电方式和负荷的预测，常规发电厂主要受物理故障的影响，而风作为一种自然现象，与常规电厂比较更服从于可靠的统计处理和物理预测。因此准确的风电功率预测依然是风力发电技术领域的主要研究课题。本文在大量实测数据基础上统计了风速及风电功率的概率分布情况，采取定量分析的方法计算了不同时间尺度下风速及风电功率的波动概率，并分析了风速变化带给输出功率的影响。对不同采样间隔的风电功率数据进行了单步和多步预测，结果表明样本的采样间隔影响着预测精度，应根据预测时长合理确定数据的采样间隔。建立了基于多属性决策和支持向量机的风电功率非线性组合预测模型：基于多属性决策选择单项预测模型，有效地解决了预测模型的复杂程度、资料收集难易程度与其预测精度的提高程度用何种比例标准来进行取舍的问题；以支持向量机作为拟合工具，有效地克服了神经网络的过学习、局部极小值和泛化能力差的问题。应用该模型对实际风电场功率数据进行预测，结果表明该模型能有效提高预测精度。研究了风电功率多步预测方法：基于传统相似日理论的思想，提出了改进相似日搜索的方法，并将机组状态引入作为筛选指标，再结合脊波神经网络良好的预测性能建立了风电功率预测模型，经算例分析表明，该方法能有效预测未来12h的风电输出功率，从而实现较高精度的多步预测，为调度部门提供有力支持。