风力发电作为清洁、高效的可再生能源,大力发展风力发电可有效缓解能源枯竭和环境污染等问题,但由于风电出力具有随机性、波动性和间歇性,其预测精度较负荷预测精度,大规模风电场并网会给系统安全运行带来诸多不良影响。为此,本文围绕短期风电功率预测问题展开研究,主要研究内容如下:(1)风电场历史数据的预处理,将弃风数据和无效数据从历史时间序列中剔除,而后采用模糊推理对缺失的数据补齐;采用皮尔森积矩相关系数分析气象因素(风速、气压、风向、温度、湿度)与风电功率的相关性,筛选出风速和风向作为影响风电功率的主导因素,为风电功率预测研究奠定基础。(2)采用数值天气预报和时间序列两种方法对风速和风向进行预测。使用数值天气预报提供的气象数据时,需要对风速数据进行修正,本文采用BP神经网络对数值天气预报提供的气象信息进行修正。采用时间序列法对风速和风向数据进行预测时,首先需要分析风速和风向时间序列的平稳性,进而采用时间序列法ARIMA模型对风速和风向数据进行预测。(3)考虑风速和风向对风电功率的影响程度不同,采用分级聚类的思想,应用模糊C均值聚类算法对风电场历史数据、基于时间序列和修正数据天气预报所获得的风速和风向数据进行聚类计算,并对历史数据的各类别分别训练神经网络,将基于时间序列和修正数据天气预报聚类结果与历史数据聚类结果进行匹配,并将两种不同预测方法得到的风速和风向数据带入相应的神经网络中,对风电功率进行预测。最后以辽宁省某风电场的运行数据为分析对象,并比较两种不同方法的预测误差。仿真结果表明,与基于时间序列的功率预测结果相比,基于修正数值天气预报的功率预测结果与风电场实际出力结果更加贴近。