可再生能源,特别是风能的使用受到政府和私营机构的高度关注,因为它被认为是当前世界上许多国家正在采用的当前能源转型中最好和最具竞争力的替代能源之一。风力发电在减少温室气体排放,减轻全球变暖的过程中发挥重要作用,同时使得各国将能源结构多样化。风能的不确定性成为了制约风力发电发展的最重要的问题,而风电功率预测模型则能很好地解决这一问题,并给相关部门提供更好的信息来支持决策过程。基于此,本文针对短期风电功率预测这一课题,进行了相应的研究,主要工作如下:提出了基于相似曲线簇和SVM模型的短期风电功率预测模型。首先对历史风速序列进行相似曲线簇的提取,采用相似离度作为相似性判据,对大量历史风速序列与测试集风速序列进行相似性的判断,继而找出相似性好的风速曲线簇以及曲线簇中每个风速点对应的功率,并将其作为最终的训练样本,然后采用SVM模型进行风电功率的预测。用上海某风场的数据进行对比试验,结果表明,该方法减少了训练数据的冗余信息,节约了模型的训练时间,能够明显提高短期风电功率预测的精度和效率,具有实际意义。从误差分析的角度,采用提出的相似性-SVM模型为预测模型,分析短期风电功率预测误差的整体特性,并分析该模型在短期风电功率预测时所表现出来的不足。而后进一步分析风速的变化与绝对误差的关系,同时将速的变化具体定义为风速变化率,利用Pearson相关系数来分析其与绝对误差的相关性强弱,为下文将风速的变化信息融于预测模型中提供理论基础。最后验证了该模型预测误差分布符合高斯分布,为下文采用高斯回归过程作为预测模型提供理论基础。提出了基于风速变化率和高斯过程回归的短期风电功率预测模型。考虑到风速的大小与风速的变化对预测误差的影响,将风速值以及风速变化率同时作为预测模型的输入。同时考虑到短期风电功率预测的误差分布符合高斯分布这一特性,为了尽可能地利用误差的分布特性的信息,采用高斯回归模型作为预测模型。试验结果表明所提模型稳定性较好,而且对实际功率的跟踪性能更优,增强了模型对于风电功率数据预测的泛化性能。