风电具有较强的随机性与波动性,若仅利用点预测技术进行实时调度十分困难,区间预测作为一种预测手段,可以得到出给定置信度水平下的风电功率的上限与下限,更有利于保证电力系统安全运行。目前大量学者对风电功率区间预测问题开展了研究并形成了丰富的预测理论,但多数方法需要假设风电功率服从某种回归模型,未能考虑到相邻时段风电功率序列之间的相关性,亦或在预测过程中需要提前设置相应模型参数,这使得在一定程度上降低了风电功率的预测精度,针对以上这些问题,本文引入了条件Copula函数对风电功率区间预测问题开展研究。首先提出一种基于离散形式下的条件Copula函数区间预测方法,该方法可以充分利用Copula函数的优秀特性,通过建立待预测点的离散条件Copula函数,挖掘相邻时段风电功率序列间的关联性,得到一个待预测点的风电功率预测区间,之后用滚动预测得到整个预测期的风功率预测结果。将该方法应用到三个风电场并与ANN(Artificial Neural Network,人工神经网络)、ARMA(Autoregressive moving average model,自回归滑动平均模型)相比,PICP(prediction interval coverage probability,区间覆盖率)更高,PIAW(prediction interval average width,区间平均宽度)更窄,预测效果更为优异。为了解决Copula函数区间预测过程中的参数(K、t)选取问题,提出一种基于条件Copula函数的多目标区间预测模型,该模型在Copula区间预测模型参数的取值范围内,以 PICP 与 PIAW 为目标函数,利用 NSGA-II(Non-dominated Sorting Genetic Algorithm-II,第二代非支配排序遗传算法)多目标优化算法寻找预测模型参数的非劣解集,在此后使用熵权法确定PIAW和PICP各自的权重,通过加权计算得到一组最优的预测模型参数,并以此参数进行Copula区间预测,使得区间预测效果得到进一步的提升。最后为充分考虑风电功率与天气因素之间的相关关系,提出一种多元的条件Copula函数多目标风电功率预测区间预测方法,该方法将历史天气数据与功率数据结合起来建立条件Copula函数,通过多元分布的条件Copula函数从而刻画出各因素之间的相关关系。算例中,该方法相比ANN与ARMA表现出更好的适用性与有效性。