针对短期风电功率预测系统,提出基于集成学习理论的具有数据集实例权重更新机制的KELM-AdaBoost方法。Ada Boost方法能够自动学习多个弱回归器并将其提升为预测精度高的强回归器,核极限学习机(Kernel Extreme Learning Machine, KELM)方法作为AdaBoost方法的基学习器,其以核函数表示未知的隐含层非线性特征映射,仅需通过正则化最小二乘算法调节网络的输出权值就能达到最小的训练误差,且KELM中不仅使用了RBF核函数,还使用了可允许的多维张量积小波核函数。将KELM-AdaBoost方法分别应用于不同地区的短期风电功率单步直接预测和多步间接预测中,并与RBF,SVM, ELM, KELM, RBF-AdaBoost, SVM-AdaBoost, ELM-AdaBoost方法在同等条件下相比较,实验结果表明,所提出的KELM-AdaBoost方法在预测精度上优于已有的预测方法,蕴藏着巨大潜力和较好的应用前景。