风能具有很强的随机性和间歇性,当大规模接入电网时,风电出力的波动性会降低电力系统的可靠性,甚至会破坏系统的安全稳定运行。而准确的风电功率预测可以使调度部门制定更加合理的发电计划,提高电网的综合性能,具有十分重要的意义。风力发电是通过风机叶片旋转带动发电机产生电流,由于叶片旋转具有一定惯性,使得当前时刻风机出力不仅与此时风力相关还与之前一段时间内的风力相关。本文首先分析历史数据,给出相似时段的定义,并通过实验数据确定相似时段的最佳长度。其次,为了提高相似时段的搜索速度,采用K-means算法对相似时段进行聚类。通过计算基准相似时段与各类簇中心的距离对其进行类簇划分,在其中筛选出最优相似时段集合。在此基础上,提出了一种基于相似时段聚类的风电功率短期预测方法。以最优相似时段作为训练样本,以功率曲线和气象信息作为输入建立GA-ELMAN神经网络模型,迭代地预测未来时段的风电功率。算例表明,该方法可以更加有效地挖掘蕴含在数据中的有价值信息,能够改善短期风电功率预测性能。此外,为了进一步提高功率预测的精度,本文还尝试采用不同策略建立组合模型,并通过算例数据分析每种组合模型的适用情况。