风能不仅是一种可再生能源,并且具有成本低,开发利用方便和绿色无污染的优点。随着社会对能源的需求越来越大,以及人民对环境的保护意识逐渐加强,风能开始从补充性能源向主要能源转变。随着中国科技水平的发展,中国的风电场无论是发展规模,还是技术水平都取得了很大的提高和进步,风力发电在中国具有很大的发展潜力。然而,由于风能的不稳定性以及随机性,风电场的输出功率的精度难以保障,这对电力系统运行安全性和稳定性造成影响。改善风电功率的预测精度,对提高风电场的运行稳定性,确保电力系统的安全和电能的质量具有重要的实际意义。风电功率时间序列易受风速、风向等气象因素的影响,且具有很高的不稳定性和较强的非线性,难以采用线性预测方法保证其预测精度。针对上述问题,本文对辽宁某风电场进行短期风电功率预测方法研究。研究内容如下:(1)采用反向传播(BP)神经网络对该风电场短期风电功率进行预测。通过该风电场的实际运行数据建立BP神经网络模型,并对该预测模型进行仿真研究。研究结果表明,BP神经网络模型能够描述风电场功率预测模型的非线性特性,然而精度有待于进一步提高。(2)为进一步提高模型精度,采用信号分解方法对其数据进行预处理以得到相对稳定的子序列以降低风电功率的随机性对系统产生的影响。本文采用集合经验模态分解(EEMD)对风电功率,风速以及风角的正弦值余弦值序列进行分解处理,得到一系列具有一定周期性、规律性且相对稳定的本征模(IMF)分量和剩余分量(r分量)。(3)针对BP神经网络的权值和阈值的初始值是随机生成的问题进行优化改进,使用遗传算法对BP神经网络进行优化,用遗传算法优选出优化后的权值与阈值初始值。(4)以将集合经验模态分解与遗传算法优化的神经网络(EEMD-GA-BPNN)方法相结合建立短期风电功率预测模型,利用多个神经网络对各IMF分量与剩余分量进行预测。通过仿真实验研究表明与单纯的采用BP神经网络模型相比较,发现平均绝对误差,平均相对误差,均方差都有所降低,证明了该方法的有效性和可行性。