风电场出力的不确定性是制约风电场大规模发展的因素之一,准确的风电场出力预测具有重要的意义,调度部门根据预测值提前调整调度计划,减小系统的储备容量等。因此,提高风电场功率预测的准确度成为了研究的重点内容。风电场的尾流效应对风电场的年发电量有着很大的影响,考虑风机布局对风电场功率预测具有重要的意义。本文从新的角度提出风机尾迹的计算方法,通过改进的粒子群算法进行风电场布局寻优,将优化后的风机布局作为风电场功率预测的影响因素之一,最后利用改进的小世界神经网络进行风电场功率预测。首先,建立尾流风速矢量迭代模型,考虑由空气黏度决定的静态尾流效应所占比例较大时,通过迭代尾流的风速和风向,得到更加准确的尾流效应影响区域。针对风电厂布局及尾流效应特性之间关系,提出了基于粒子群算法的尾流风速矢量的风机布局优化方法。首先将风电机组进行分簇,根据尾流风速矢量进行簇内风机布局优化,再将每个优化后的种群进行簇间优化,得到优化后的风机布局。通过对风机分簇,降低了计算量,提高算法计算效率。最后根据优化后的风机布局进行Solidworks建模,利用CFX流体仿真模拟风电的尾流效应,并将优化前后的风电场仿真结果进行对比,验证优化结果的正确性。然后,将风机叶片的桨距角和偏航角度作为风机布局的控制变量,建立风机布局的动态鲁棒控制模型。通过动态控制风机的桨距角和偏航角度,确保下游风机免于尾流效应的影响,在时间尺度上优化风场布局,使风场功率输出最大化。鉴于动态鲁棒估计求解计算量非常巨大,根据高斯牛顿求解方法,提出基于风机桨距角和偏航角控制的全局鲁棒估计算法,通过计算耦合矩阵P间接求解控制方程,进而实现了计算效率高,计算量小的目的。最后,建立了小世界神经网络预测模型,给出模型的数学模型及其拓扑结果,其特点是有较小的平均路径长度和较大的聚类系数。将风机布局,数值天气预报,历史功率序列等作为小世界神经网络的输入层进行风场出力预测,通过不同预测模型的预测误差以及预测计算时间的对比,验证小世界神经网络具有较高的预测精度,虽然预测时间相比其他模型计算时间较长,但对于短期预测的时间要求,模型预测时间可以接受。