随着能源短缺与环境污染等问题的日益凸显,风电作为最有前景的清洁能源之一,在近几十年得到了快速的发展。然而,大规模的风电并网严重威胁着电力系统的安全、稳定、经济、可靠运行,需要高精度的风电功率预测系统为调度人员提供有效的指导信息,以减少风电对电网的不利影响。目前风电功率短期预测模型的数据来源主要有数值天气预报信息(Numerical Weather Prediction,NWP)与历史运行数据。NWP数据具有一定的缺陷,只利用历史数据进行短期预测又存在很大的误差。针对这一问题,论文对以历史数据为输入的风电功率短期单点预测模型与概率预测模型进行了研究。论文提出了一种采用非迭代方式的短期预测方法。无论预测提前时间多长,该方法统一将真实数据作为每个预测时段的输入,并对应每一时段建立一个神经网络。能够在只有历史数据的条件下,有效地克服累积误差,预测未来24h的风电功率输出。在非迭代方法的基础上,论文建立了非迭代与分时段最优的风电功率短期单点预测模型。该模型找出分别使各个预测时段误差最小的最优输入个数,接着求解基于历史风速数据和历史功率数据两种模型的分时段最优权重。对算例风电场进行分析,结果表明:分时段最优模型能够有效地反映分时段特性,提高各个时段的预测精度;非迭代与分时段最优的单点预测模型应用于风电功率短期预测具有较高的精度。考虑到单点预测模型难以提供概率信息,论文建立了基于非迭代与RBF分位数回归的风电功率短期概率预测模型。以非迭代方法为基础,利用小波变换将功率序列分解成一系列子分量。使用RBF分位数回归模型计算每个分量的概率分布,然后利用拉丁超立方抽样方法,得到风电功率的概率预测分布。结果表明:非迭代与RBF分位数回归模型在各个预测时段具有较小的预测误差以及较好的概率评价指标,能够有效地进行单点预测与概率预测,预测结果具有很高的参考价值。