随着全球经济的迅猛发展,人类对传统化石能源的大量消耗不仅引发了世界范围内的能源危机,而且导致了生态环境的严重恶化。风能作为一种清洁可再生能源,被世界各国政府广泛关注。风能自身具有较强的波动性,因此风电的大规模并网会严重威胁整体电网的安全稳定。通过对风力发电功率的准确预测,可以在改善其电能质量的同时有效减小并网过程对整体电网的威胁。本文将短期风电功率预测作为研究对象。为了能够充分利用风电历史数据预测未来一段时间内的发电功率,本文在分析了某风场的风电历史数据基础上做了如下研究:(1)本文研究了国内外风力发电功率预测技术的发展状况,详细分析了风电功率预测的重要性,从而引出了风电功率预测研究的意义;同时深入探讨了风力发电技术与影响风电功率的主要因素。(2)由于不同气象状况下的风电功率通常存在较大差异,因此应该使用气象状况相近似的历史数据训练预测模型。本文提出了一种基于历史数据聚类分析与K近邻评估相结合的相似日选取策略,有效提高了模型预测精度。(3)风能的波动性在一定程度上加大了模型预测的难度。单模型往往具有泛化能力不足、模型鲁棒性较弱等缺点。集成学习有效的弥补了这些不足,因此可以作为风电功率预测的模型。本文在详细研究了集成学习的概念基础上,深入讨论了如何从“个体模型生成”、“个体模型剪枝”和“个体模型集成”这三个方面提高集成学习效果。(4)为了提高预测模型的精度、泛化性、鲁棒性,本文提出了一种基于动态加权融合的集成学习算法。在个体模型生成过程中,本文利用基于轮盘赌的随机特征子集选择算法与Bagging算法结合的策略,生成个体模型的训练数据,并使用改进BP算法训练这些个体模型。该个体模型生成策略,在保证个体模型准确率的同时有效增加了个体模型间的差异度;在集成剪枝过程中,本文利用基于聚类分析的集成剪枝策略,选择最优且彼此间差异度最大的若干个个体模型进行集成;由于粒子群算法具有良好的优化性能,因此在模型集成过程中,本文利用粒子群算法寻找出一组基于个体模型对相似样本预测结果的最优组合系数,并将其作为集成学习的动态加权系数。(5)为了验证算法的有效性,本文对比了常见风电功率预测算法。实验表明该集成模型有效的提高了风电功率预测精度,具有一定的实际应用前景。