风电场功率短期预测技术对于电力系统的调度、运行和风电场的生产和维护都具有十分重大的意义。国外的风电功率短期预测技术的研究开始于20世纪80年代,随着研究的深入,已经有比较成熟的算法和商用软件。国内的相关研究在近几年才刚刚开展,在预测精度、可靠性和对不同风场的适应性方面仍然有许多不足。针对基于数值天气预报的功率预报模式,研究提高预测精度和可靠性的算法,具有重要的学术价值和工程实用价值。论文主要进行了以下几方面的工作：首先统计分析了数值天气预报误差和风电功率短期预报误差,对它们的误差分布进行了研究,研究了实测数据中的无效数据、数值天气预报误差和预测模型对风电功率短期预测误差的影响。针对现有的测风数据补缺方法或者误差较大,或者只能处理风速数据的缺点,首次将自适应神经模糊推理系统引入到风场实测风速和风向数据的补缺中,通过使用历史实测数据序列,补充了缺失的数据,解决了风向数据的补缺问题,减小了补缺数据的误差。通过对实测风速风向数据的补缺,可以校正实测数据中的无效数据,从而为数值天气预报数据的校正打下良好的基础。数值天气预报是风电场功率短期预测的主要误差来源,目前的线性校正方法并不能很好地校正其误差。在论文中,提出了一种非线性数据校正算法,运用小波包分析算法和BP神经网络对数值天气预报风速进行数据校正,利用校正后的数据进行风电机组输出功率预测,并对预测输出功率进行进一步的数据校正,得到最终的预测输出功率。通过数据校正算法,降低了数值天气预报风速的误差,从而提高了风电场功率短期预测的准确性。针对使用最广泛的BP神经网络预测模型,使用改进的粒子群优化算法对其进行优化,利用粒子群优化算法良好的全局搜索能力和BP神经网络优异的局部搜索能力,弥补了两种算法的不足,提高了基于BP神经网络的风电场输出功率预测模型的预测精度。最后研究了风电场功率短期预测的不确定性和概率密度函数,并使用置信度和置信区间评估了风电功率短期预测的不确定性。