随着全球化石能源枯竭、供应紧张、气候变化形势严峻,开发可再生能源逐渐成为各国的重要战略之一。预计到2020年,全球风力发电装机容量将达到12亿千瓦,能够满足世界电力总量12%的需求。大规模风电功率并网会对电网造成冲击,风电功率预测是缓解电网调频压力,保证电网稳定运行的重要手段。根据能源局在2011年发布的文件《风电场功率预测预报管理暂行办法》可知,实时预测是指自上报时刻起未来15分至4小时的预测预报,时间分辨率为15分钟。本课题是以时间间隔为15分钟的风电功率时间序列为主要研究对象,对其进行滚动16步的超短期风电功率预测。以此得到的预测结果,可以服务于风电场实时输出功率的调整,对提高风能的利用率有重要意义。本课题着眼于风电功率数据特征,进行风速-功率曲线特征建模,分析风速升降特性和风向因素对风电机组功率输出的影响,对不同风特征的数据分别进行风速-功率曲线拟合,得到特征风速-功率曲线。风电功率实测历史数据是进行风电建模以及预测分析的重要基础,然而历史数据中频繁存在异常数据点,这些数据并不能反映风电机组的实际运行特性,影响预测模型的有效性,影响预测结果。本课题分析异常数据的时序特性,利用Copula函数,建立概率功率曲线,结合特征风速-功率曲线,建立异常数据识别算法。以支持向量机算法为基础,结合风速升降特征和相邻机组出力强相关的特性,建立数据重构模型。保证数据的完整性。本课题分析单一预测模型的优缺点,针对基于历史数据和基于NWP数据的模型,分析两种模型预测结果的特点,提出了组合预测模型,兼备两种单一模型的优点。分析历史数据集中,每段序列的特征与所对应的最佳预测方法。利用决策树建立分类模型,并根据实时数据特征,匹配最优的预测方法,进行超短期功率预测。根据某个风电场的历史数据进行算例分析,验证模型的有效性。