风电功率预测是新能源领域的一个重要前沿课题,对风电并网及智能电网建设具有重要的意义。小世界网络是一种具有高信息传递效率的复杂网络,小世界优化和小世界神经网络是其应用的一个重要方面。研究表明,小世界神经网络比规则神经网络具有更强的泛化能力,这使得利用其建立风电场的功率预测模型成为可能。本文旨在深入探究小世界网络理论及在风电功率预测中的应用等关键问题,建立基于小世界网络的短期风电功率预测理论体系,主要取得了如下成果：1.提出了禁忌实数编码小世界优化算法(TRSWA),并通过Markov链理论对所提算法几乎处处强收敛性给出了证明,这为后续该算法的应用研究打下了坚实基础。通过对5个复杂多模测试函数的仿真分析,验证了TRSWA算法的强收敛性,TRSWA算法可快速收敛到全局最优值。最后建立了基于TRSWA的BP神经网络模型(TRSWA-BP)。2.借鉴复杂网络的研究成果,提出两种小世界神经网络改进模型-WSBP及NWBP模型,并给出其模型构建、拓扑结构及网络模型描述,同时推导了上述小世界神经网络模型的算法公式,探讨了其收敛特性。仿真结果表明,两模型的逼近性能均比原规则BP网络有所提高。3.根据风电功率动态特性及预测机理,研究小世界神经网络应用于风电功率预测模型的优化机制,提出基于NWBP小世界神经网络的数据补差方法。首先,、在对实际风场数据中实测风速、风向、功率、温度的10min数据按小时进行预处理后,通过NWBP小世界神经网络数据补差方法对查找到的不合理、奇异点数据进行了处理。然后,将TRSWA-BP、WSBP、NWBP小世界神经网络模型用于风电场功率短期预测,并建立了上述神经网络与经验模态分解、相空间重构以及经验模态分解-相空间重构的短期功率预测模型。基于实际风场数据的仿真实验表明,上述方法的引入提高了基本BP模型对风电功率的预测精度,使预测误差有明显减小,且运算时间实际可行。4.建立基于小世界优化的变权组合预测模型。提出灰关联度γi<0.7剔除准则,通过对6种单项模型进行灰关联分析、单位根检验、协整性判断等检验,筛选出1h、4h、6h、24h不同时间尺度的冗余方法,并结合风电场的实际情况,对筛选产生的模型进行变权组合预测。仿真分析表明,经过筛选后的小世界优化的变权组合预测模型能增强预测系统的预测精度,提升系统预测性能。5.对风电功率不确定性进行分析,提出了应用蒙特卡罗原理的概率性预测及基于NWBP小世界神经网络的分位数不确定性分析方法。通过仿真分析了置信水平为95%、90%、85%时预测模型的有效性,给出相应置信水平下的预测置信区间。通过比较两不确定性方法的预测区间可信度和预测区间平均宽度,在时间尺度为1h、4h、6h时,适宜使用概率性预测不确定性方法,而时间尺度为24h时,基于NWBP小世界神经网络的分位数不确定性方法更优越。本文研究对于深化小世界网络理论,拓展其在解决高风险动力学系统辨识问题中的应用,具有深远的理论意义和实际价值。