风能作为一种储量丰富，使用安全并且清洁环保的能源为全球能源危机带来了新的机会。风力发电是风能的主要利用形式，在各国大力发展风电的同时，风能的固有特性也给人们带来了挑战。风能具有随机性、间歇性、不可控性等特点，随着风电的大量并网，势必会对电力系统安全运行、电能质量以及电力供需平衡带来影响。对风电功率进行短期预测，其精确的预测结果能够指导电力调度部门及时调整调度计划、减少备用容量、降低运行成本，是促进风电技术发展有效途径之一。现有的风电功率预测研究更多的关注于预测模型本身性能的优劣，而忽略了对风电功率时间序列的属性分析，造成所选定的预测模型不能充分学习风电功率时间序列所蕴含的全部信息。基于此，本文对风电功率时间序列的混沌属性进行探究，并利用混沌理论的相关知识对风电功率进行了预测，主要工作如下：　　1）风电功率时间序列的相空间重构方法研究。时间序列的混沌分析是在相空间中进行的，本文借助于混动理论揭示了风电功率时间序列的内在动力学特性，即所谓混沌属性。研究混沌时间序列的相空间重构方法，将选取重构相空间参数的各种方法进行研究，采用能够同步计算参数的 C-C算法对相空间进行重构仿真，同步计算得到风电功率时间序列重构相空间的延迟时间τ和嵌入维数m。　　2）对风电功率是否混沌进行判定并预测。研究混沌学中判别混沌性常用的三个特征量，并选用李雅普诺夫指数作为本文的判别依据。在已重构的相空间基础上计算功率序列的最大李雅普诺夫指数，根据其是否大于零判定功率序列是否混沌，从而对风电功率时间序列混沌特性进行定量验证。研究传统的混沌预测方法，详细研究了三种混沌预测法，采用基于最大Lyapunov指数的风电功率预测方法，并进行了仿真算例，验证了风电功率混沌预测的可行性。　　3）基于径向基函数的风功率混沌预测研究。考虑到混沌的复杂非线性结构，本文提出将人工神经网络与混沌理论结合，在混沌属性的基础上采用径向基函数（RBF神经网络）对风电功率时间序列进行训练和建模，将相空间重构的嵌入维数作为神经网络的输入层数，并通过实际数据仿真计算，预测结果展现出了该方法的高度可行性，预测精度较令人满意，其预测误差控制在百分之二十左右。本文所研究的预测方法为风电大规模并网问题中的风电功率预测技术提供了参考。　　综上所述，本文在混沌动力学相空间重构理论的基础上，提出将RBF神经网络与相空间相结合，对相空间进行训练和预测，并取得了较好的效果，具有一定的现实意义和研究价值。