风能作为可再生能源中最为成熟且应用前景最为广泛的一种能源,促使风力发电的发展规模迅速扩大,风力发电在电网规划中的比重也逐年上升。风电利用的不断增加给变频调速,电压控制和无功补偿带来了新的挑战。对风电场输出功率进行预测,可为电网安排发电计划、停机检修提供可靠参考,有利于保证系统的安全可靠和经济运行。因此,提高风电功率的预测精度对电力一体化调度的安全性具有重要意义。本文在总结已有预测方法的基础上,针对风电功率短期预测问题,提出一种基于经验模态分解和极限学习机的组合预测模型,主要工作如下:本文的主要创新点是通过使用基于经验模态分解与小波包分解的二次混合分解方法和纵横交叉算法优化的极限学习机建立了一种新的短期风电功率混合预测模型。针对风电功率时间序列的非线性特征,在数据预处理阶段,采用经验模态分解将原始风电功率时间序列分解为多个固有模态函数(IMFs)。特别的是,为降低IMF1分量的不规则性对预测结果的影响,本文提出了一种新的二次混合分解方法,通过应用小波包分解,将经验模态分解得到的IMF1分量继续分解为近似分量和细节分量;然后对分解得到的全部分量分别建立极限学习机模型进行预测,为增强极限学习机的预测性能,在模型训练阶段,提出一种新颖的纵横交叉算法用于极限学习机的输入权值和隐含层偏置的优化,纵横交叉算法所特有的纵向交叉算子可有效避免常规智能优化算法的维局部最优问题;最后全部子序列预测值的叠加重构得到实际风电功率预测结果。以实际风电场采集的风电功率数据为例,将所提模型用于提前一步、二步和三步的短期风电功率预测,并与其他文献中的模型进行对比分析,仿真结果表明:(1)通过小波包分解对IMF1进行分解,经验模态分解的性能可以得到显著提高,基于二次混合分解方法的预测模型在预测精度方面明显优于基于其他单一分解方法的预测模型。(2)将纵横交叉算法应用于极限学习机的70个参数优化时,在解决早熟收敛问题方面表现出令人满意的性能,优化效果优于传统粒子群算法、遗传算法和差分进化算法。(3)在预测精度方面,所提混合方法较其他文献中的混合模型有很大的优势。