工业革命以来,化石能源成为全球能源供应的支柱,强有力的推动社会的进步和世界经济的发展。随着科学技术的不断进步,化石能源的开采量和使用量日益增加,能源危机、环境污染等问题日益凸显,现如今寻找可再生的清洁能源成为人类发展的迫切需求。风能资源因其储量丰富、分布广泛和污染小等优点,已成为世界各国争相开发的目标。由于自然界中的风具有波动性和间歇性,风力发电在将风能转换为电能的过程中输出功率也存在较强的不确定性,大规模风电并入电网时会对电网的发电、变电、输电和配电等环节都产生影响,从而给电网运行的安全性带来挑战。风电功率预测技术能有效地解决这一问题,指导电网消纳更多的风电功率,提高风电并网时的安全性,因此研究风电功率预测技术对风力发电事业的发展有着很好的促进作用。本文首先分析了风电功率预测技术研究的背景、意义,和目前国内外的研究现状,并对风电功率预测方法分类做了详细说明。在目前常用的众多预测方法中,基于支持向量机的预测方法在解决小样本、非线性等问题上有很大的优势,因而应用广泛。但由于标准的支持向量机求解的是二次规划问题,计算量比较大,且预测结果易受参数选取的影响。针对支持向量机模型的参数惩罚因子C、不敏感参数ε和核参数σ的优化问题,本文利用元启发式算法进行优化。考虑到单一的优化方法受限度较高,将蝙蝠算法和改进粒子群优化算法组合,共同解决支持向量机易受参数影响的问题。针对风速和风电功率序列具有非线性和非平稳性的问题,本文选用了经验模态分解方法进行处理。将原始序列分解为若干个具有不同频率特征的子序列,分别对子序列进行预测并将预测结果叠加得到最终的风电功率的预测结果。模态混叠现象的存在使得分解后的子序列时-频分布混乱。虽然集合经验模态分解能改善模态混叠现象,但算法的复杂度和运算量非常大。针对上述问题,本文提出了基于自适应噪声的完全集成经验模态分解法。最终,本文建立了基于自适应噪声的完全集成经验模态分解法和蝙蝠算法-改进粒子群算法优化支持向量机的风电功率组合预测模型。通过实例仿真分析,验证了本文提出的风电功率组合预测模型的有效性。