近年,随着风力发电技术的发展,由于大型并网型风电场调度的需要,风电场风电功率预测逐渐受到人们的广泛重视。风力发电受气象条件的影响,其输出功率具有不确定性。而在电力系统中,供电和需求之间必须时刻保持平衡。过对风电功率进行准确的预测,可以降低电网旋转备用容量,减小风力发电系统成本,并且为电网运行调度提供可靠的依据,保障电网可靠、安全和经济运行。风电功率预测方法的研究不断深入的同时,数值天气预报也逐渐成为当前主流的风电功率预测系统的重要输入之一。论文通过对黑龙江哈尔滨依兰华富风电场风电功率时间序列的分析,研究了风电场尾流效应对风电功率预测方法的影响,提出了结合风电功率时间序列的混沌属性、基于相空间重构的神经网络分析方法,应用该方法对风电功率时间序列建立了BP神经网络和GRNN神经网络预测模型,同时通过GRNN神经网络探讨了数值天气预报应用于实际风电功率预测的途径。此外,论文采用ARMA、噪声场合下的ARMA、ARMA与BP神经网络集成等多种时间序列分析方法对风电功率时间序列建立了不同的预测模型。最后,论文将多种预测模型结合数值天气预报数据通过LabVIEW和SQL server数据库两种应用软件应用到实际风电场运行高度中。论文对尾流效应和季节性因素进行理论分析后,充分利用依兰风电场的历史数据,通过相邻风机实际测量的风向和风速数据,验证了风电场的尾流效应；通过风速和功率数据的对比分析,从风速的随机性中发现其季节性规律。论文对风力发电输出功率系统的内在特性进行研究,通过计算时间延迟、嵌入维数以及最大Lyapunov指数等重要参数,检验了风电功率时间序列的混沌属性。提出了基于相空间重构的BP神经网络模型对风电功率时间序列进行预测的方法。通过对不同季节的风电功率时间序列参数的计算,验证了风力发电系统的季节性,充分说明了结合季节性因素进行风电功率预测的必要性。论文对人工神经网络分析方法进行研究后,重点探讨了BP神经网络和GRNN神经网络等理论在风电功率预测中的应用方法,并利用它们分别建立了预测网络模型。针对不同时间段的风电功率时间序列建立了不同的BP神经网络预测模型,通过对比预测精度验证了风电功率时间序列的季节性因素。论文对时间序列分析方法进行研究后,重点应用样本偏自相关函数(PACF)定阶、AIC值最小定阶、BIC值最小定阶三种定阶准则确定AR模型参数后,利用长自回归模型法对风电功率时间序列建立了不同的ARMA模型。之后,考虑到系统测量噪声的影响,应用HOYW定阶方法建立了噪声场合下的ARMA模型。为了克服现有方法在处理非平稳信号的不足,论文将风电功率时间序列分解为确定项和随机项两个部分,确定项用BP人工神经网络拟合,表示时序的非平稳趋向；随机项表示平衡的随机成分,用ARMA模型拟合。通过样本数据分析,建立了ARMA与BP神经网络集成预测模型。论文还详细研究了数值天气预报数据在风电功率中预测中的应用,建立结合数值天气预报的风电功率中期预测模型。针对风电场当地不确定因素对数值天气预报准确度的干扰影响,通过GRNN神经网络分析方法分析将数值天气预报数据与历史测量的气象数据之间的对应关系应用于风电功率预测,得到最佳风速预测值,进而通过拟合风速功率曲线得出最佳功率预测数据。论文针对实际运行的风电场,采用多种预测模型组合建模的方法,按照国家能源局下达的风电场风电功率预测规范,开发了以LabVIEW为主要研发环境,以SQL server数据库为存储工具,集用户身份辨识、数据采集、预测模型建立分析及存储、数据处理、风电场设置、用户管理等功能于一体的集成化风电功率预测系统,并成功应用于其它几家大型并网风电场,取得了较好的预测效果。