随着能源和环境问题的日益突出，风电作为一种清洁无污染的可再生能源日益受到人们的重视。风力发电是当今世界增长最快的可再生能源,许多国家把发展风力发电作为改善能源结构、减少环境污染和保护生态环境的一种措施，纳入国家能源发展规划。 随着风电装机容量的增大，风电对电网的影响愈加明显。如果能对风电场风速和发电功率进行比较准确的预测，则有利于电力系统调度部门及时调整调度计划，保证电能质量，优化系统运行，从而可有效地减轻风电对电网的不利影响，而且还可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，同时为风电场参与发电竞价奠定了基础。因此，风电场短期风速和发电功率预测对风电场和电力系统的运行都具有重要意义，它必将是今后电网稳定运行、电网调度、电力市场运营等需要的重要技术支持。 在本文中，风电功率预测值是直接通过风速预测值计算得到的，因此风速预测是风电功率预测的基础，若能提高风速预测的精度，则能相应的提高风电功率预测的精度。为此，在时间序列预测法和人工神经网络预测法的输入样本选择上，采用模糊聚类预处理技术，综合考虑了气象因素对风速的影响。由于受现有条件的限制，气象因素仅考虑温度、湿度、风力等级。基于风速和气象因素的特征，本文构造了一种新的隶属度函数即“相关系数＋欧氏距离”加权组合的隶属度函数，将历史日样本根据气象特征因素模糊划分为若干类，通过模式识别判别与预测日最相似的一类历史日样本，将其作为预测模型的输入样本。实践表明，通过输入样本的模糊聚类预处理，风速预测的精度得到了显著的提高。 对于风电场发电功率预测，由于风电场发电功率受风速、风向、地理、气象等多方面因素的影响，其既具有时间相关性，也具有空间相关性，单一的预测模型往往达不到预期效果。本文基于模糊聚类预处理技术，利用时间序列法和人工神经网络法预测得到的风速值，计算得到相应的风电功率预测值，以这两种预测模型建立风电场发电功率自适应权重的组合预测模型，以提高风电场发电功率预测精度。