风电具有不稳定性,随着其在大电网中渗透率的逐年增加,风电愈发成为电力系统的不可控因素之一。对风电功率进行精确的短期预测可优化电网调度,是解决风电不稳定性对电网冲击的有效途径及前提,进而可提高电网对风电的消纳能力。本文结合云南省某小型风电场一月、四月、七月、十月的数值天气预报(NWP)和历史功率数据,进行短期风电功率组合预测研究。首先进行数据处理,针对原始数据存在气象与功率数据不匹配现象,在数据合理性检验基础上,参照机组标准风功率曲线进行剔除;针对数据记录缺失现象,通过均值法、线性插值法和临场补缺法对缺失数据进行处理;针对多维NWP对算法效率的影响,运用Pearson相关性分析法对不同NWP因素与输出功率之间的相关性进行计算,从而确定主要影响因素,合理降低算法输入维度。其次,分别采用BP神经网络、ANFIS和小波神经网络对各月份进行预测。通过分析各算法在不同月份的预测效果图和预测趋势指标(CC),发现预测曲线与真实值波动趋势相近,即说明以上各算法对该风场具有一般适用性。但是通过对预测结果的绝对值平均误差(MAE)和均方根误差(RMSE)进行分析,发现以上算法中没有任何一种算法能始终在不同月份保持预测效果最佳,即单一算法无法适应全年不同的预测场景。最后,针对单一算法无法适应全年不同月份预测场景的问题,本文采用对三种单一算法赋权值的方式进行组合预测。首先采用平均权值法和协方差优选组合法进行组合预测,结果显示组合预测有效减少了不同场景对预测效果的影响,且降低了月平均MAE和RMSE。针对平均权值法和协方差优选组合法的权值分配问题,本文进一步采用基于小世界优化算法的最优权值确定,预测结果显示该方法进一步提高了预测精度。