随着国民经济的快速发展、污染程度的持续加重以及我国节能减排经济发展战略的提出和实施，风电已经成为可再生能源的一个重要组成部分。风是风力发电机组的动力，由于风本身的特性及发电原理决定了风力发电的输出具有波动性和间歇性，因此风电并网后会对电力系统造成很大的影响。风电功率预测可有效解决电网调度问题，对风电并网及电网安全运行起着重要的作用。
　　针对现有预测方法的预测精确度不甚理想的问题，本文采用了一种基于组合分析的短期风电功率预测方法，该方法使用生成式对抗网络作为系统框架，与传统神经网络相比，该方法由生成模型和判别模型相互作用而进行反复训练，因此与单一的预测方法相比，该方法预测精度较高。针对风能具有无序性、随机性、不稳定性和不可控性等混沌特性，混沌网络能够比其他类型的神经网络更好的表示风能参数与风电功率之间的内在联系。由此，本文选择混沌神经网络作为生成式对抗神经网络算法的生成模型。为保证组合方法的预测精度，选用对非线性函数的拟合性能较好的BP神经网络作为生成式对抗网络的判别模型。
　　论文选择中国宁夏某风电场运行实测数据进行训练和预测实验，选取风电输出功率时间序列及当地风能数据作为训练样本，预测该风电场未来72h短期风电功率，将实验结果与单一的混沌神经网络算法实验结果做出对比，基于生成式对抗网络框架的组合预测方法比单一预测方法可以有效的提高预测精度。
　　风电功率预测的输入数据变量较多，会使预测算法计算量增大，降低预测效率。论文分析了风电功率预测的输入变量，发现很多变量之间存在着较大的关联性和冗余性。为了在保证预测正确性的基础上，减少风电功率预测的输入变量个数，论文采用互信息理论对风电功率预测的输入变量进行相关性分析与冗余性消除工作，从而减少了算法的输入变量个数，进而减小了算法的复杂度，提高了算法的效率。论文对输入变量去冗余之前后进行了对比实验。实验结果表明：在减少输入变量的情况下，计算效率得到提高，同时也可以保证原始数据的预测精度。