近年来,新兴清洁能源日益蓬勃,其中,风力发电的表现尤其突出。风能主要来源于自然界中的近地风,具有明显的波动性和间歇性。如何高效地利用风能,这个问题使得风电功率预测成为重要的研究课题。本文在风电功率预测现有的研究背景下,对风电数据进行决策分析,提升风电功率超短期预测精度。风电数据种类繁多,其中有风速、风向、功率、桨距角等众多元素。本文主要讨论的是风速信息和功率数据,这类数据通常含有大量的系统扰动,会对预测结果产生剧烈的影响,预测前需要对数据进行分析和处理。通过高频分量和低频分量的分离方法,识别和消除风电功率数据系统中的高频分量,减少高频分量对预测模型系统稳定性的冲击,提升预测精度。同时,对风速、功率序列进行量化关联性分析,建立基于灰色关联决策的风电数据信息决策模型。为选取合适的决策变量,引入基于灰色关联的概率密度分析过程,得到刻画风速波动和功率波动之间关联关系的量化指标,作为权值变量投入预测模型计算。主要讨论了预测模型的基本建立原理和目标输入、输出数据,并对预测前置数据处理过程进行了原理描述。通过决策模型决策可知,自由度可以作为量化指标来描述风电场风速与功率之间的关系。在此基础上,提出了两类计及风速信息的大规模风电场风电功率超短期预测方法。一是以时间序列为基准的基于概率分布量化指标和灰色关联决策的风电功率超短期预测模型;二是融合时间和空间两种维度的基于分形伸缩因子变换的大规模风电场空间升尺度超短期预测模型。通过实测数据预测和分析表明,两种预测方法的准确率均得到了提高。为了做出比较,同时提出了两类不计及风速信息的传统风电功率超短期预测模型,分别是:基于卡尔曼滤波和支持向量机的风电功率超短期预测和基于灰色缓冲算子-卡尔曼滤波双修正的风电功率超短期预测。实验证明,风速信息的引入,不仅能准确的表达风电功率由风到电的物理过程,还能精准的提升大规模风电场的超短期风电功率预测的预测精度。