近年来,随着全球环境污染问题日益严峻,风能作为一种清洁可再生能源受到各国广泛重视,得到迅速发展和利用。然而,风能的随机性和波动性会对电力系统的可靠性造成重大影响,并随着风电并网规模的日益扩大而越发突出。对风电功率预测进行研究,有利于电力系统调度,为电网安全稳定运行提供保障,对于我国风电行业的发展具有重要意义。因此,本文对短期风电功率预测进行研究,主要工作如下:首先,为提高短期风电功率点预测的精度,提出一种新的改进人工鱼群算法来优化BP神经网络的权值和阈值,提高BP神经网络的收敛速度和泛化能力。改进的人工鱼群算法一定程度上克服了原人工鱼群算法后期搜索的盲目性较大,收敛速度减慢,搜索精度变低的缺陷。改进人工鱼群-BP神经网络混合算法在短期风电功率预测的稳定性和精度、收敛速度等方面优于传统BP神经网络以及人工鱼群-BP神经网络混合算法。改进人工鱼群-BP神经网络混合算法不仅能提高短期风电功率点预测的精度,而且改善了预测的稳定性。然后,在提高风电功率点预测精度的基础上,为表征风电功率中的不确定性,确保电力系统的安全稳定运行,对短期风电功率进行区间预测。采用变分模态分解和样本熵算法降低风电功率信号的非平稳性;对重构后的子序列分别建立高斯过程回归模型;最后将子序列预测结果叠加得到给定置信水平的区间预测,试验结果表明变分模态分解-样本熵-高斯过程回归混合算法具有较高的精确度和区间覆盖率以及较窄的区间宽度。最后,设计并开发了风电功率预测系统,将以上风电功率预测算法集成到该系统中,并在上海某风电场进行比对运行,结果证明了本文算法的优点。