风能是一种环境友好无污染的可再生能源,是未来能源的主要形式之一。然而,由于风能具有天然的随机性和间歇性,风电输出功率不稳定且难以控制,大规模风电并网对电力系统的优化运行、控制等诸多方面提出了严峻的挑战。因此,迫切需要研究风电场功率预测方法,以提高风电场功率的预测精度,为含风电并网电力系统的优化运行等提供参考。为此,本文围绕风电场功率预测方法,主要进行了以下研究工作:风电场历史功率数据因数据传输错误等因素影响,会存在异常数据,影响风电场功率预测精度。为此,提出基于加权k最临近(k-Nearest Neighbor,kNN)距离的风电场功率异常数据辨识及修正模型。该辨识模型应用加权kNN距离定义数据点的离群程度以辨识异常数据;修正模型通过取离异常点风速值最临近k个点的功率平均值作为修正值,避免了直接删除异常数据对原始数据完整性和时序性的破坏。基于西班牙某风电场的算例分析表明:该方法可辨识出4.2%的异常功率数据并进行修正,验证了辨识模型和修正模型的正确性与有效性。风电功率受风速、风向、气压等诸多气象因素影响,降低预测模型输入特征维度、挖掘预测输出间的时序性及相关性,可提高风电功率预测模型的预测精度。为此,提出基于条件互信息的输入特征降维方法,建立基于循环神经网络的风电场功率超短期预测模型。首先,采用历史功率和气象信息作为原始输入特征,基于条件互信息方法从中选取能为功率预测提供有用信息的特征,以去除冗余,降低预测模型输入特征维度。然后,以降维后的特征为输入,基于循环神经网络建立风电场功率超短期预测模型,预测未来2小时功率值。基于密歇根州内某风电场数据的算例分析表明:该模型从原始252个输入特征中选取72个作为关键特征;同时,循环神经网络预测模型与BP神经网络预测模型相比预测精度提高9.33%。为了拓展预测模型的预测时长,进一步提高预测精度并加快预测模型的训练速度,以数值天气预报(Numerical Weather Prediction,NWP)数据为输入,基于谱聚类方法和循环神经网络建立风电场短期功率分类预测模型。首先,根据未来24小时预测风速的变化趋势,使用谱聚类方法对NWP数据中相似数据进行分类。随后,对每类相似数据,基于循环神经网络分别建立预测模型。最后,在进行新的预测时,先判断预测日NWP数据隶属的类,再使用相应的预测模型进行预测,得到预测值。基于密歇根州内某风电场实际功率和NWP数据的算例分析表明:使用分类预测模型后预测精度提高了6.01%,同时模型训练时间减少了85%。