由于风电大规模并网会给电网带来非常大的冲击,影响电网的稳定运行,风电功率预测的研究对于电网安全稳定运行及新能源发展具有重要意义。为了提高风电功率预测（Wind Power Forecasting,WPF）的精度和稳定性,本论文提出了一种基于SOM聚类和K折交叉验证优化的集成学习风电功率预测模型,分别使用BMA和ANFIS作为集成学习的元学习器进行预测,仿真实验证明本文提出的集成学习模型具有较好的预测效果。本文主要研究内容包括:（1）阐述了 WPF的背景和意义,国内外在WPF领域的研究现状,并总结不同的预测方法存在的问题。介绍了集成学习算法,给出本文的主要贡献和结构安排。（2）从风力发电的原理分析风电功率的主要影响气象因素,分析风速、风向和环境温度三个因素给风力发电带来的影响。介绍了本文数据来源风电场的SCADA数据,提出了多种评价指标以判断WPF模型的精度和泛化性能。（3）对数据进行预处理,进行风电功率的单模型预测,并通过仿真证明Pearson相似性处理对单模型预测的优化效果。首先,对SCADA原始数据进行预处理,采用高斯拟合功率曲线的方法剔除弃风数据。然后,根据Pearson相关性分析的方法选择最优采样间隔,计算风速、风向和环境温度的权值。最后,使用BPNN、SVM和RBFNN三个方法进行单模型预测,仿真结果证明预处理对单模型预测具有明显的优化效果。（4）针对单模型预测不稳定和泛化性能差的问题,提出了训练子集多样性的处理方法和一种基于贝叶斯模型平均（Bayesian Model Averaging,BMA）的集成学习WPF方法。首先,使用SOM聚类和K折交叉验证相结合的方法将训练集拆分成多个数据分布相同的训练子集。然后,以BMA为元学习器,集成3个单模型预测的输出进行WPF。最后,仿真实验从多方面证明了本章提出的WPF方法具有优秀的精度和稳定性。（5）选择新的元学习器——自适应神经模糊系统（Adaptive Network-based Fuzzy Inference System,ANFIS）进行WPF,并进行仿真比较。另外,通过ANFIS-EL和BMA-EL的预测结果差别,说明Stacking型集成学习的元学习器不同,预测效果不同,可以根据实际情况来选择不同的模型。