为进一步提高风电功率预测精度，针对长短期记忆神经网络模型(LSTM)预测精度与输入数据的质量相关度高，常用的信号分解重构方法变分模态分解(VMD)参数人为设置难以达到最优分解的问题，提出了一种基于麻雀搜索算法(SSA)优化VMD参数的组合预测方法。首先使用麻雀搜索算法对VMD参数进行优化，再利用优化后的VMD对数据进行分解。同时结合灰色关联分析法和熵权法对环境变量进行相关性分析，选择相关性最高的影响因素与分解得到的各模态分量组合作为LSTM预测模型的输入，获得更为精确的预测结果。最后建立了基于非参数核密度估计(NKDE)的风电功率概率预测模型，通过计算指定置信度下的置信区间，获得风电功率概率预测结果。实际算例结果表明：所提组合模型的MAE、RMSE和MAPE比VMD-LSTM模型的分别下降了39.51%、33.22%和40.39%。SSA-VMD-LSTM-NKDE组合模型不仅能够有效提高确定性预测的精度，还能够实现对风电功率预测结果不确定性的有效量化，为风电功率预测提供科学决策依据。