随着能源与环境问题的逐渐突出,对可再生能源的研究和利用成为全社会广泛关注的热点问题。而风力发电作为安全可靠、无污染、不需消耗燃料、可并网运行的重要可再生能源之一,近年来在世界范围内得到了突飞猛进的发展。准确的风电功率预测有利于解决风电输出功率控制、电网安全经济调度以及电力市场环境下风电竞价交易等问题。但是风电功率具有较强的不确定性和非平稳性,其精确预测仍需深入研究。本文从风电场短期风电功率预测入手,研究提高短期预测精度。为了克服风电功率序列的非平稳性,本文研究了前置处理方法,并提出基于ADF检验的最佳小波分解。为了更好预测高频分量,本文建立基于二阶灰色神经网络的风电功率预测模型。本文提出用马尔可夫链模型来研究预测误差转移情况,从而实现风电功率区间预测,克服不确定性。本文主要开展了以下内容的研究工作:(1)本文首先详细介绍了研究的背景和意义,国内外研究现状等。结合目前已有的研究成果,明确本文的研究内容。(2)本文介绍了小波变换的概念以及基本原理。基于单位根检验中的ADF检验,研究小波分解后各个分量平稳性的检验指标,并以此为依据选取最佳小波分解层数。(3)针对小波分解后高频分量波动性大的特点,本文基于灰色系统理论,提出对小波分解后的各分量进行二阶灰色预测模型建模。为了获得二阶灰色预测模型的最佳参数,本文采用神经网络映射方法构建二阶灰色神经网络,并以最小二乘估计求解灰色模型参数初值,用于求解二阶灰色模型最优参数。采用该方法对实际风电场数据仿真分析验证了模型的有效性。(4)为了应对风电功率的不确定性,更加全面地反映风电功率的信息,本文提出了基于小波二阶灰色神经网络-马尔可夫链的超短期风电功率区间预测方法。在小波二阶灰色神经网络改善风电功率确定性预测精度的基础上,首先采用K-均值法解决马尔可夫状态划分问题,再通过马尔可夫链确定预测误差绝对值的转移特性。提出基于预测误差绝对值马尔可夫概率期望的风电功率区间预测模型。算例结果表明,本文提出的风电功率区间预测方法有较好的预测效果。(5)最后对本文的研究工作进行了总结分析,并在此基础上提出研究展望。