随着能源危机的显现和环境污染的日益严重,作为可再生能源的重要组成部分,风能已经成为世界各国关注的热点。由于风能的随机性和不确定性,风力发电并网在全网发电总量比例的不断上升,将对现有电网造成冲击,给电力系统安全、稳定、经济运行提出了新的困难和挑战。精确的风能预测,是解决风能随机性所引发一系列问题的最经济、最可行的方案之一。为保证电力系统稳定运行,合理安排调度计划,降低电网运营成本,需要对风电场输出功率进行准确的短期预测。首先,论文回顾了主流风能预测方法的原理,分析了现有风能预测方法的优缺点,并在此基础上,提出了风能预测的新方法,以降低风能预测的误差,提高预测结果的稳定性。本文主要研究统计型风能预测模型,利用风电场输出功率的历史数据,来建立风电场输出功率与历史数据之间的关系,并以此预测未来风电场的输出。显然,统计型模型依赖于对历史数据特征的分析和处理。因此,本文从风能历史数据的筛选、分析和处理着手,研究短期预测的方法。首先,鉴于对训练集合进行筛选对预测精度有着重要影响,本文提出了一个基于数学形态学的预处理方法,并与LS-SVM模型相结合实现短期风能预测。不同于将所有历史数据用于建模,本文提出的方法仅在历史数据中筛选出与预测数据片段具有相同或相近变化趋势的相似数据,用于建模预测。所谓相似数据,是与预报数据片段具有相同变化趋势的一系列曲线段的集合。根据预报数据片段的波动特性,相应地设计一个三角形结构元素。借助于数学形态学的非线性滤波器的特性,设计一个k阶OCCO滤波器,在保留风能波动特性的前提下,将风能曲线中的高频(噪音)分量滤除,提取出风能的趋势线。根据趋势线的升降特点,将其分成若干段,每段赋予不同的权重。随后,利用多分辨率形态学梯度,将风能趋势线的上升、下降趋势进行量化。每个采样点的形态学梯度与其对应权重之积定义为风能曲线的趋势特征量。最后,相似数据将用于训练、建立LS-SVM模型,再利用该模型进行多步预测。与没有对历史数据进行预处理的算法相比,采用了相似数据进行训练建模的预测方法,具有预测精度高、稳定性好的优点。由于风能与风电场当地复杂的气候情况紧密相关,导致风能具有高度的随机性,风能时间序列的波动规律不易掌握,故而直接利用原始风能时间序列进行预测较难获得精确的结果。因此,已有学者提出,借助小波变换(wavelet transform,WT)或者经验模态分解(empirical mode decomposition,EMD)等工具,先将非平稳的时间序列进行分解之后,再进行预测。然而,截至到目前,对于分解所得的分量的最优数量,没有一个指导性的原则,同时,各分量的物理意义也不够明确,不利于对数据进行研究分析。因此,为了挖掘风能历史数据的内在特征,提高风能预测的精度,本文提出了基于平均趋势探测器和形态学局部预测算子的短期风能预测方法。该方法通过设计一个平均趋势探测器,将风能曲线分解为两个独立的分量:低频的平均趋势分量和高频的随机分量,并在此基础上分别对其进行预报,以替代传统预测方法直接针对原始的、非平稳的历史数据时间序列进行建模、预测的方式。该方法分解所得的两个分量,物理意义明确、反映了风能的内在变化特性:低频的平均趋势分量从较大的时间跨度上反映出风能总体变化趋势;而高频的随机分量则是风能易变性、随机性的具体体现。对于平均趋势分量,借助LS-SVM模型,采用局部预测代替全局预测;对于随机分量,在相空间中构造一个新型的结构元素,与传统结构元素不同,新型结构元素的原点在结构元素体之外。将新型结构元素和数学形态学运算相结合,构成形态学局部预测算子,对随机分量进行预测。最后,两个分量各自的预测值之和,即为最终的预测结果。为了验证本文提出的基于平均趋势探测器和形态学局部预测算子的短期风能预测方法的可行性和预测效果,本文进行了相应的仿真研究,并与现有流行的预测方法进行横向对比。仿真实验采用来自位于全球不同地区风电场的风能数据,并且覆盖了全年365天。实验结果表明,本文提出的预测方法,不仅预测误差更低,而且预测结果也更为稳定。