随着能源问题的不断凸显,开发和利用风能等清洁能源得到了全球范围的重视。但是风能自身具有很强的波动性与不稳定性,大量不稳定的风电并入电网,将给电网安全、稳定的运行带来严峻考验。而对短期风电功率的预测,不仅有助于调整风力发电计划,更有助于调度部门合理的安排计划,降低风电接入电网产生的影响。因此该课题的研究成为了热点,具有很重要的实际意义。因此,本文首先在现有模型的基础上,提出了基于小波分解和融合神经网络的风速组合预测模型,降低了波动性与不稳定性对预测结果的影响;然后考虑到支持向量回归机在参数选择时存在的问题,将鲸鱼算法用于最优参数的寻找,并在此基础上建立了风电功率预测模型。主要研究内容如下:(1)小波分解对风速历史数据的处理。针对风速时间序列不稳定性、随机性将直接影响预测精度的问题,采用小波分解对历史数据做分解处理,得到一系列具有不同频率的风速分量,为风速预测的研究提供基础。(2)根据分解后风速分量的频率特征选择适合的模型分别做预测。为了降低最高频分量对结果的影响,建立了融合神经网络预测模型,并对风速进行预测;剩下的风速分量划分为低频分量组,选择RBF进行预测;将各分量的预测结果进行等权叠加以得到最后的预测结果。以风电场的风速历史数据为实验样本,对所提方法可行性进行了验证,并作了对比实验。(3)根据风速与实际风力发电功率的关系,建立了风电功率预测模型。为了降低模型惩罚参数和核函数参数选择对预测结果的影响,利用鲸鱼优化算法寻找支持向量回归机的最优参数,以提高预测模型的性能。将得到的风速预测结果导入到训练后的模型中,实现对应风电功率的预测。将实际风速与风电功率历史数据作为实验样本,与优化前进行对比,结果表明鲸鱼算法优化后的支持向量回归机模型预测精度更高,验证了所提模型的可靠性。(4)为了更好的将风速及风电功率预测方法应用到实际中,在上述所提方法的基础上,设计并实现了风速-风电功率预测系统。该系统实现了用户的管理、风速及风电功率的预测等功能。系统操作简单友好,管理方便,具有一定的实际应用价值。