风能作为一种绿色清洁的能源,以其成本低廉,便于开发利用的优势,开始从补充能源向战略替代能源转变。我国的风能资源十分丰富,具有风能资源的国土面积占国土总面积的约20%,风力发电的发展规模和发展水平都有很大的进步和提升,风电在我国有着巨大的发展潜力。但是由于风能具有随机性和间歇性的特点,造成了其功率输出的不稳定,也给电力系统的正常稳定运行带来了挑战。因此,只有做好风电功率预测的工作,才能有效的管理风电场运行,保证电力系统的安全以及电能质量。由于神经网络算法的非线性拟合性较好,使得神经网络算法在风机功率预测工作中得到了大量的研究和运用,但这些研究大部分存在有原始数据未处理、模型输入参数选择过多或过少等问题导致难以提高模型的预测精度,同时,基于神经网络的风机功率超短期预测算法基本上都没有任何的可解释性,这对人们对于模型的理解造成了一定困难。基于这个背景,本文以风机超短期功率预测方法为研究内容,通过神经网络预测的手段,对风机功率预测方法进行研究和探讨,论文的主要工作有如下几个方面:首先,对风机功率超短期预测所用到的数据来源SCADA系统进行介绍,对风机功率影响因素进行分析,分析结果结合SCADA系统记录的参数类型进行预测模型输入参数的确定,然后建立风机功率预测整体流程并进行模型评价指标的研究。接着,介绍数据预处理的步骤并分析本文数据所需要的预处理过程,在分析其数据特点后根据传统数据预处理方法进行风速数据和风机功率数据异常值处理算法研究,并运用实际在运行风电场风机SCADA系统数据进行了验证。最后,为了方便分析对比算法结果,本文采用基于BP神经网络的预测模型和基于改进权重无关神经网络的预测模型进行对比。介绍了BP神经网络和权重无关神经网络,运用实际数据对基于BP神经网络的风机功率超短期预测算法进行实验分析;接着分析了权重无关神经网络在应用中存在的问题,并针对权重无关神经网络在实际操作中所存在的问题,提出了改进权重无关神经网络,进而运用基于改进权重无关神经网络的风机功率超短期预测算法进行实验分析;然后对比BP神经网络和改进权重无关神经网络的优缺点,进而说明本文所研究方法的可行性以及优越性。