随着风电技术的日益成熟和迅速发展,使得风电并网的容量大幅度增加,而风电并网对于电力系统稳定运行具有重大影响,故对风电功率进行高精度的预测对经济和社会发展具有重要意义。为了给决策者在决策规划和可靠性评估方面的提供更多的信息,以贝叶斯方法为基础对风电功率做出概率性的区间预测分析。本文主要工作如下。首先,通过全球风能协会发布的风电数据分析了目前国内外风力发电的现状及未来的发展趋势,并指出了风力发电功率概率性研究的意义,以及现阶段国内外的风电功率概率性预测成果。然后提出了基于粗糙集属性约减和粒子群权重优化的朴素贝叶斯风电功率概率区间预测法。其利用粗糙集方法选择出了朴素贝叶斯合适的输入量并利用粒子群算法优化了朴素贝叶斯的输出权重,从而提高了预测精度。以西北某风场的运行数据为基础进行仿真验证,通过多种方法对比表明其具有更好的工程使用价值。进一步的,通过对点预测误差概率分布进行分析得出风电功率区间,提出了一种基于贝叶斯估计ARIMA参数的云模型误差拟合风功率区间预测方法。首先对ARIMA模型的未知参数的估计采用贝叶斯估计方法,然后采用云变换理论对预测误差概率密度进行拟合,得到多个正态概念云,最后针对不同功率段的特征不同并且其对应的最佳分位点也是不同的,采用了粒子群算法对各个功率段进行寻优找到其最佳分位点,从而得到区间覆盖率更高,平均带宽更窄的风电功率预测区间。同时通过与不同方法的对比彰显本文方法具有更优越的区间预测效果。最后,建立了一种基于模糊C均值聚类分析的贝叶斯神经网络风电功率区间预测方法,构建了双层风电功率区间预测模型。对于内层模型其首先通过模糊C均值聚类对训练数据进行了分类处理,然后分别带入贝叶斯神经网络对其进行训练;外层模型将FCM-BNN模型输出的预测功率与实际功率相减,得到功率预测误差序列,再通过非参数核密度估计对此功率预测误差序列进行拟合,得到误差序列概率密度函数。在预测误差概率密度函数上选取满足置信度要求的上下分位点,结合FCM-BNN所得预测功率,从而得到预测功率区间。