为了应对长期大量使用化石能源带来的能源危机和环境问题,大力发展风能等可再生新能源已经逐渐成为世界各国发展电力行业的共识。近年来全球尤其是我国的风电产业规模庞大且增长较快。但是,由于风力发电的随机性和波动性,风电大规模并网运行不仅对电力系统的安全稳定运行和电能质量的优质保障造成了新的挑战,而且也变相提高了风力发电的成本。作为解决上述问题的关键技术之一,风力发电的功率预测可以保障电力系统安全,提高风电的消纳水平。反向传播神经网络以误差反向传播算法为基础,具有执行速度快、稳定性强、非线性表达能力强的特点。本文将基于多元风电场数据,建立改进反向传播神经网络模型,对输出功率进行预测。本文主要工作分为以下三个部分:一是分析原始数据中的气象预报数据、测风数据和功率数据,并分别进行数据的完整性和合理性的检验。然后,根据行业标准,对检验后的数据进行相应的处理。数据集的验证结果表明了检验和处理的有效性。之后,本文选择了各种数值指标从多角度评价风电功率预测的结果,同时设置了综合指标进行整体评价。二是为了进一步提高数据集的质量和预测的精度,本文利用基于滑动窗口处理的堆栈降噪自编码器提取与功率输出最相关的特征,有效提高运算速度。另外,本文提出了基于相似性度量的层次聚类方法来清洗异常数据并重构。该方法利用欧式距离、最长公共子序列和动态时间弯曲距离等相似性度量方法捕捉数据特征,并以此定义特征距离。再以此距离为聚类指标进行凝聚型层次聚类,并根据聚类结果进行异常数据清除和缺失数据重构。然后通过本文数据集验证,上述方法能够有效提取数据特征和清洗异常数据。三是在高质量数据集的基础上,建立改进反向传播神经网络模型,并利用此模型进行风电短期功率预测。为了解决传统的反向传播神经网络存在的过拟合、收敛速度慢和陷入局部最优值的问题,本文使用L2正则化、动量梯度下降、指数衰减学习率和Softplus激活函数等方法进行改进。最后通过单次预测验证和多次预测平均结果验证了本文方法的有效性与优越性。根据两年的数据集验证,本文方法的月平均准确率达到91.76%,月平均合格率达到了99.25%。