近年来,风电机组的装机容量和风电并网容量均逐年上升。由于风速具有波动性和不确定性等特性,在大规模风电并网时会给电网带来调频调压等问题,影响电网稳定运行。风电功率的精准预测可有效降低风电并网对电网稳定性造成的影响。本文深度挖掘风电历史数据的特性,对风电输出功率超短期预测进行研究,主要工作如下:首先,提出了多模型筛选与重构风电历史错误数据的方法。风电历史数据由于各种各样的因素而造成数据中存在不利于风电预测的错误数据,如要依据这种数据进行风功率预测势必会造成较大的偏差。如果只根据统计学特性直接剔除离群数据,这将导致物理概念不清晰并且精度难以保证。因此,本文针对造成错误数据的不同原因进行分析,并分别提出不同的筛选方法与重构方法。针对弃风限风数据,根据功率曲线法加以重构;针对离群数据,运用四分位法加以识别并根据插值法加以重构;针对电磁干扰数据,运用模糊聚类法加以识别并根据网络拓扑结构法加以重构。最后给出筛选前后风速-风功率散点图,并以平均相对误差和准确率为判别依据,定量分析重构数据的准确性。其次,建立一种基于粒子群算法的加入后件多项式的RBF神经网络风功率预测模型。先根据风功率相关性分析,选择预测模型的输入变量;然后根据风速特性和减法聚类算法选取与预测点相似的样本数据作为训练样本;最后在传统的RBF神经网络模型中加入后件多项式,以解决传统模型易陷入局部最优解的问题,实现超短期风电功率预测。最后,提出一种基于反向预测的风功率预测误差修正模型。通过分析风功率时间序列的基本特性,找出正向序列与反向序列的一致性,利用高斯分布描绘风功率预测误差的概率分布并计算其样本估计值。以单步预测为例,构造风功率预测误差的修正模型,并结合实例验证了所建模型的准确性。