随着环境污染问题越来越严重,化石能源等燃料的消耗与日俱增,可再生清洁能源风电的储量巨大,在全球范围内受到广泛关注。由于风能的随机性,在风力发电过程中可能会产生弃风现象,在大规模的风电并网中也会产生较大的不确定性,对电网的影响很大,准确的预测风电功率可以有效地缓解这些问题。随着研究越来越深入,传统的单一预测模型无法适应多变的风电场环境,从而导致预测效果不佳。组合预测模型的预测效果较好,但是对于组合方式与其中预测模型的选择,还需深入的讨论研究。综合以上问题,本文为进一步提高短期风电功率预测模型的精度,作以下研究:由于数据采集过程中,电网的消纳能力不足导致产生弃风现象、叶片和齿轮轴存在问题造成机组故障、外部磁场噪声干扰信号传输,使得原始数据有缺失或者异常值。针对以上问题,对异常数据采用四分位法进行处理,再利用均值填补法对数据补齐,从而使得到的最终数据满足风电机组标准风速-功率曲线要求,最后对处理后数据再进行归一化处理,提高数据质量,为建模精度提供基础保障。针对单一模型预测精度低的问题,采用粒子群算法（PSO）优化广义回归神经网络（GRNN）,建立PSO-GRNN预测模型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,将PSO-GRNN模型与单一的GRNN模型和PSO-BP预测模型进行对比分析,发现预测曲线均与真实值波动趋势相近,PSO-GRNN的预测效果优于GRNN和PSO-BP神经网络,预测性能最优,选取PSO-GRNN为建立组合预测模型奠定基础。针对PSO-GRNN对离散度高的数据预测效果不佳的情况,提出一种基于经验模态分解（EMD）、粒子滤波（PF）和广义回归神经网络（GRNN）的组合预测模型。首先,利用EMD对风电功率序列进行分解,降低数据非平稳性对预测模型的影响;然后,将分解得到高离散度的数据采用PF进行分析处理,低离散度的数据采用PSO-GRNN进行分析处理,最后,通过线性叠加各分量的预测结果得到最终风电功率的预测值。针对组合模型分解后预测效果欠佳的分量的问题,提出基于分时段功率预测数据修正的方法,对预测效果欠佳的分量做修正。将全天24小时分成8段,每段3个小时,即6个采样点;误差累积次数减少到8次,相比于之前误差累计次数为48次,修正后预测误差较低。同时再与原组合模型预测效果作对比,修正后的组合模型预测精度更高,性能更好。