在全球共同倡导可持续发展、绿色发展的大背景下,风力发电技术在电力能源领域所扮演的角色日益加重。但是风电长期以来因其随机性、波动性以及不确定性对电网稳定运行造成的不利影响而饱受诟病。因此,风电功率的预测对整个风电产业的健康发展具有巨大的影响。本文以我国东北地区风电场实测数据为基础,分别从风电功率异常数据、风电功率的时序波动特性、风电功率超短期预测以及风电功率超短期概率区间预测等几个方面入手进行了相关研究。首先,针对目前风电功率异常数据识别的算法复杂繁琐且识别效果不理想,以及算法通用性差,对复杂多变的风电功率数据难以有效甄别等问题,依据实测风速功率数据中异常数据来源的特征提出一种不同风向下不同风速区间内异常数据的识别方法。该算法基于不同风向下不同风速区间的组内最优方差来识别其相应的异常数据。其次,通过对风电场实测功率数据样本分析,提出一种基于局部极差变化率的风电功率时序波动特性分析方法,提取风电若干个持续出力状态,以描述风电功率的持续波动特征。以用来衡量局部极差变化率的幅值和相角为模型输入量,建立灰色多目标决策模型,进而定义表征波动的量:波动系数,并以此来量化风电功率在一时间段内的波动,最后给出了使用波动系数修正现行风电场预测预报考核指标的方法。利再次,文章提出了一种基于粒计算的风电功率超短期预测模型,粒计算可以将具有相似属性的对象集合到一起,依据在各个粒度水平上的需要得到不同的信息粒,进而可以将问题的求解转化到不同的粒度水平上;由此原始数据的基本特点被完全保存,因而系统的透明度也随之提高,为实现高精度的风电功率超短期预测奠定了基础。最后,本文提出了一种基于Copula理论的风电功率概率区间预测方法,从风电功率实际值和预测值的相关性出发,利用Copula函数的相关理论对风电功率预测值与实际值间的相依关系进行了分析,在某一预测值的条件下,计算风电功率实际值的条件概率分布,进而转移到误差的条件概率分析当中,后再将误差的分布估计转换为风电功率预测的不确定性估计。