为了应对能源危机与环境问题,人类不断努力寻找可以替化石燃料的新能源。风能以其技术成熟度、可实现性得到广泛的开发利用。但是风电功率具有波动性、间歇性的特点。当风电大规模并网后,风电的这些特点将会对电力系统安全运行产生较大的冲击。因此,提高风电功率预测的准确性对风能的大规模开发利用以及增加风电并网容量具有重要意义。风电功率的随机波动性是风电功率预测精度提高的瓶颈问题。针对风电功率波动,将引起风电功率波动的因素分为外因和内因。外因是指风速的变动所引起的风电功率波动;内因是指风电场状态的改变所引起的风电功率波动。通过计算风电场状态引起的功率损耗及其能量与风电场理论捕获功率的比值,验证了风电场状态显著影响风电功率波动。因此,在风电功率预测中需要计及风电场的状态。针对风电场的状态评估,需要对风机产生的数据进行整体性、联动性分析。由于风电机组中的环境、工况、状态参数具有一定的复杂、多变的特性,各参数之间相互关联,数据种类类型众多。因此,借助大数据分析方法中的随机矩阵理论评估风电场的状态。针对风电功率超短期预测模型的不足,本文提出计及风电场状态的风电功率超短期预测模型。为验证计及风电场状态预测的有效性,分别利用BP神经网络、径向基神经网络、广义自回归神经网络以及ELMAN神经网络构建风电功率超短期预测模型。针对风电大数据,建立基于Hadoop&Spark的分布式数据平台。该数据平台可以实现风电大数据的分布式存储。通过调用Spark中的MLLib模块,建立风电功率的朴素贝叶斯超短期预测模型以及随机森林超短期预测模型。一方面通过建立不同输入信息的风电功率超短期预测模型可知,多源数据融合能够提高风电功率超短期预测精度。另一方面Spark MLLib模块的预测值可为准确的风电功率超短期预测提供参考。