如今,风力发电已成为各国促进能源结构调整的重要措施,而风电本身受自然风影响具有随机性、波动性和间歇性。当大规模风电并网运行时,传统电力系统的平衡能力受到破坏,给电力部门的调控策略带来极大的挑战,为确保电力系统安全稳定运行,使用风电功率预测技术是有效措施之一。短期风电功率预测是指预测风机未来72小时内的发电量,准确地预测对电力系统的稳定运行有着十分重要的意义。随着风电产业的发展,风电场的数据体量大、质量差,这对于预测模型来说难以进行有效地训练。因此本文围绕训练样本、输入特征以及预测模型角度对短期风电功率预测方法进行了深入地研究,主要做了以下工作:首先,根据经验规则和低阶多项式拟合方法对错误数据进行修正。为减少训练数据的冗余信息,增强训练样本的关联性,本文借鉴电力负荷预测中“相似日”的原理对训练样本细化选取,建立了相似日-SVM预测模型。试验结果表明,该方法能够有效减少模型的训练时间,提高短期风电功率预测精度,具有实际意义。然后,通过对相似日-SVM预测模型所产生的误差来源进行整体性分析,研究得出风功率不仅和常见的风速、风向、气温等气象要素有关,风在时间序列上的变化是造成功率预测局部误差较大的主要原因,而SVM方法难以有效处理时序信息,故将风的变化表征为风速变化率和风向变化率体现在样本中。在此基础上,引入模糊粗糙集方法,对影响风功率的多种因素进行了特征约简,简化了SVM模型的输入。最后,针对传统的机器学习建模方法割裂了输入数据间的耦合关系,风速变化对风机的连续作用没有体现出来。而神经网络由于连接方式和激励函数的多样性使得其易于改进,本文将BP神经网络隐含层的激励函数改为具有迟滞特性的双Sigmoid函数,以增强神经网络对历史信息的记忆能力,并采用改进的鸟群算法(BSA)对迟滞参数进行优化。实验结果表明,迟滞特性引入BP神经网络中,使得神经元的响应与历史输入相关联,有效地体现出风机发电的物理过程,在预测精度上也有了相应的提高。