随着保护环境的呼声愈高及常规能源的枯竭,新能源的发展越来越受到大家的关注。其中,作为无污染的可再生能源之一的风能,在全球各地得以大力的开发。然而,由于风的强波动性和有限的可预测性,限制了风能在大电网中的应用,特别是在实时性要求极高的电力市场中的应用。风速风能预测的精度,直接影响电力系统的调度和运行,是电力市场能否健全、稳定发展的决定性因素。因此,提高风速风能的预测精度具有非常重大的意义。本文基于数据处理的方法,对风速风能的短期局部预测进行研究,致力于提高风速风能的预测精度。本文首先对国内外风速风能预测模型进行了研究,特别是预测模型中的数据处理方法,其中主要研究数据分解、相空间重构、相似段搜索和误差反馈的相关方法。在分析现有方法的优缺点之后进行了改进。在数据分解方面,本文提出基于经验模式分解的滤波器和基于数学形态学的形态高频分解器。实验结果表明,形态高频分解器分解得出的趋势项能够非常准确地提取原始时间序列曲线的形状,而基于经验模式分解滤波器分解得出的趋势项则更有周期性。这两个分解算法的分解效果均优于传统的经验模式分解算法和小波分解算法,对提高预测精度有明显作用。在相空间重构方面,本文提出非等时延嵌入理论,即允许相空间重构过程中,各维的延迟时间常数不同。并提出一个新判据以求解参数。与传统的等时延嵌入理论进行对比,发现非等时延嵌入理论更能捕捉原始时间序列的特征,其对预测的辅助作用更明显。在相似段搜索方面,本文提出二度相似判据并应用于高频项的相似段搜索中。该判据同时比较线段的幅值和形状。通过仿真对比发现,该判据适用于高频项,但并不适用于趋势项。其原因是二度相似理论更重视线段之间形状上的相似,较为忽略线段幅值。然而,由于趋势项的延续性很强,波动较为缓慢,对于趋势项而言,幅值能提供的信息量更大。因此,重视幅值比较的欧几里得距离理论比二度相似理论更适合用于趋势项的相似段搜索。基于数据分解、相空间重构和相似段搜索的研究成果,提出了一个新的风速风能预测模型——基于形态高频分解器和二度相似理论的短期局部风速风能预测模型。在该预测模型中,首先利用形态高频分解器将原始的风速/风能时间序列分解成两部分:趋势项和高频项。接着对趋势项和高频项进行基于非等时延嵌入理论的相空间重构,并在相空间中搜索相似段。趋势项的相似段搜索算法是基于线段间的欧几里得距离的比较;高频项的相似段搜索算法是采用二度相似理论进行的。最后,利用最小二乘支持向量机对趋势项和高频项分别进行预测,两者之和即为最终的预测结果。另外,本文通过分析预测误差与原始预测模型的预测值之间的关系,建立误差反馈模型,提出了一个新的预测模型–基于误差反馈的多参量辅助风能预测模型。该模型构建了一个误差反馈系统以探索误差项与原始预测序列之间的关系,从而预测误差值并用以修正原始的预测值。将该反馈系统应用于单变量预测和多变量辅助预测中。在多变量辅助预测中,加入多个影响因子辅助构建模型,以提高预测精度。将上述两个预测模型应用于采集自世界各地的多个风速风能数据上,并将其预测结果与多个对比算法进行比较。结果表明,本文提出的两个预测模型的预测精度均高于对比算法,预测的稳定性最高。这说明,本文所提出的形态高频分解器、非等时延嵌入理论、二度相似理论和误差反馈系统具有明显的提高预测精度的效果。在本文的最后,构建了一个考虑常规机组的燃料费和污染费、平衡机组的调节补偿费用、弃风惩罚费用和备用容量费用的电力系统优化调度模型,研究风能预测精度对电力系统经济调度的影响。为检验该模型的有效性,构建了两个应用场景——含风能的微电网系统和改进的含风能的IEEE30节点系统。将不同精度的预测结果应用于这两个系统中,结果证明,在不同的系统中、不同的预测时间尺度上,预测精度的提高对调度费用均有明显的降低作用,主要是表现在降低备用容量、平衡机组的调节量和弃风的可能性上。这直接证明了提高预测精度的必要性。