由于风能的非平稳性和波动性,使得风电在并入电网时会对整个电力系统的发电、变电、输电和配电的平衡运行有着不良影响,降低了风电的使用效率。对于风电功率的精准预测不仅有利于电网对风电进行实时调度、保证电网的稳定运行,还可以提高风电功率的利用效率。因此研究如何提高风电功率的预测准确率对风电的发展有着重要意义。根据以往采集的风速以及风电功率样本进行观察可以不难得出:风速和风电功率这两种数据都具有很强的非线性、非平稳性等特征。本文首先以支持向量机(SVM)为工具,建立基于支持向量机的风电功率预测模型,然后针对支持向量机传统方法难以得到优秀的核函数参数和惩罚因子这两个参数,通过改进粒子群寻优算法(IPSO)来优化其参数选择。通过仿真实验表明,两者相结合起来所建立的风电功率预测模型确实能够提高风电功率预测的准确率。又由于风速和风电功率序列所具有的特性:非平稳性、非线性,引入经验模态分解法(EMD)将上述数据分解成几个较平稳的时间序列分量,原始风电功率序列被分解的分量通过IPSO-SVM预测模型的建立进行预测,各分量的预测值通过叠加得到最终风电功率预测值。针对采集的原始风速样本,其预测得到的风速预测值再通过风电功率特性曲线转换,实现风电功率的间接预测。通过仿真分析及误差对比,基于EMD-IPSO-SVM的风电功率直接预测模型有效可行,预测误差最小,其有效提高了风电功率的预测精度。