由于风电场发电功率受风速、风向、地理、气象等多方面因素的影响，既具有时间相关性，也具有空间相关性，单一的预测模型达不到预期效果。本项目以非平稳变化的时间、空间的风速序列数据为研究对象，建立一个具有泛化能力的最优加权组合模型，给出预测结果误差评价指标；利用空间相关法，建立基于扩展空间分布的区域性电网风电场的输出功率等效模型和算法。研究提出一种根据奇异点局部奇异性信息对来自于风电数据采集控制系统的错误数据进行辨识纠错的方法。针对非平稳风速信号中产生的幅值突变和频率突变，给出小波变换系数模极大值检测算法。深入的研究区域性电网中风电场输出功率预测值随时间渐变和突变的基本规律，探索将风力发电功率预测和负荷预测相结合的基本规律，设计开短期风电功率预测软件，以确定风电在满足系统一定可靠性水平下的备用容量，以制定科学的发电计划，优化发电机组的开机组合，为风电场并网安全经济运行提供科学决策依据。

由于风能本身的间歇性和不确定性，采用单一预测方法所得到的风电功率预测结果的误差很大，无法满足电网安全经济运行的需要，项目针对风速序列随时间、空间呈现非平稳性变化的特征，提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的短期风电功率组合预测方法，其预测误差比单一模型降低了5%~10%，有效地提高了短期风电功率预测的精度，对预测结果的误差进行了不确定性分析，给出了预测结果误差评价指标。在深入研究风电场输出功率预测值随时间空间变化的规律的基础上，建立了一种考虑风电场风机间的排布和尾流效应的功率预测模型，导出了各个风机间的风速相关矩阵和输出功率值，与仅采用统计算法的功率预测相比，预测精度的均方根误差可以减小5%，能进一步改善预测效果,将风电场输出功率的不确定性转化为相对量化的确定性关系。 针对风电场内不同机组处风速分布不均匀问题，考虑尾流效应与风的空间分布特性，提出了一种适用于永磁直驱变速机组风电场动态等效的多机表征方法，通过模糊聚类算法将具有相近运行点的风电机组划分到同一机群，最后通过多个表征机群的等值机组的组合，建立基于扩展空间分布的风电场输出功率等效暂态模型，该模型能够反映风电场输出有功/无功、频率和电压的动态特性。在此基础上，提出了一种新的永磁直驱风电机组频率-转速协调控制策略，根据风电机组功率的变化率调节转速控制参数，使风电机组获得较好的频率响应能力，能够有效减少风电机组的转矩突变和频率波动幅度，避免系统频率的二次波动，以获得较好的转速恢复特性。 针对非平稳风电数据中产生的幅值和频率突变，研究提出了基于小波模极大值的奇异点辨识方法和基于自回归滑动平均法的数据重构算法，为功率预测提供可靠性的数据源。开发一套基于组合预测方法的风电功率预测系统，该系统主要包括数据通讯、数据处理、预测模型、误差分析、预报输出等主要功率模块，具有一定的工程实用性，可以辅助制定合理的发电计划，优化开机组合，为风电场并网安全经济运行提供科学决策的依据，具有较好的应用前景。 项目研究期间，在国内外期刊发表相关研究论文11篇，其中被SCI收录1篇、EI收录10篇，获得国家发明专利1项、国家版权局授权计算机著作权15项。培养博士生1名、硕士研究生6名，培养指导国家大学生创新计划本科生学生3名。参加国际、国内会议6次，担任会议分会主席2次，作大会报告和分会场报告3次。 2100433B

针对大型风电场发电功率不确定性对电网造成的影响，本项目开展大型风电场发电功率预测模型和预测方法的研究。通过对风力发电功率时间序列分析和研究，确定风电场发电功率时间序列具有混沌属性的基础上对风力发电系统的混沌特性进行分析，提出了风力发电功率预测的神经网络方法。该方法针对混沌动力学系统时间序列进行相空间重构，并以此理论为基础建立基于神经网络的风力发电功率预测模型，从而作为神经网络模型结构的设计和调整的理论依据。为了克服混沌时间序列只适合短期预测的缺陷，提出了神经网络模型与中尺度气象预报模型相结合的模型参考自适应预测模型，以提高中期风电场发电功率的预测准确度。通过大型风电场风力发电功率时间序列预测机理的研究，可以提高风电场发电功率预测精度，利用电力调度保证电网的供电安全并降低旋转备用电厂的备用容量。该研究对保证电网稳定性和可靠性，降低大型风电场运营成本具有重要得理论价值和现实意义。

在全球都在强调低碳经济和可持续性发展的大环境下，风能作为一种清洁的可再生能源得到了全世界的重视。但是大规模风电的存在给目前电网的管理带来前所未有的挑战，这主要体现在并网调度以及相应的规划上面。究其主要原因还是风能的随机性较大，从而导致风电厂发电总量具有很大的波动。本课题从风电的短期预测入手，以提高预测精度为目标，探索一种基于数据挖掘和传统数值方法相结合的预测模型。然后以该预测模型为前提，进而研究风电和其它传统发电厂（比如火电）之间的调度决策模型。该调度决策模型将运用随机规划的思想与预测模型有机地结合，从而大大降低调度风电时的不确定性风险和成本。本课题试图将风电预测模型的作用延伸到对风电厂早期规划上，提出相应的决策优化模型。例如风电厂往往会配套火电厂作为备份电厂，用于提高风电厂输出电力的可靠性。如果能够将风电预测模型应用到这类问题的规划，可能避免配套火电厂装机容量的过度冗余。

在风电预测方法创新方面，本研究发现风速具有结构性突变特征，即风速在短期内呈现出很强的不确定性，不能用一种随机分布模型来描述；与此同时，人们依据经验和历史数据，往往对于某个地区的风速有着先验知识。根据这些特点，我们自然联想到贝叶斯理论和时间序列的结构突变模型。因此我们将基于贝叶斯的结构突变模型应用到超短期风电预测，通过计算实验验证了该方法的有效性，为国内外风电预测同行们提供了崭新的思路。该项研究成果 Very short-term wind speed forecasting with Bayesian structural break model 发表在可再生能源方向国际一流期刊Renewable Energy （5-Year Impact Factor: 3.2）上面。 在风电厂调度研究方面，我们通过2011年度实地调研，以及和国内外学者交流，我们发现风电厂有时存在不得不停止某些风机从而降低发电量的现象。即风电调度不仅仅是和其它火电厂，或者其它可再生能源发电厂的调度调配问题。在一个风电厂内部，启停某些风机来达到发电量的严格要求也显得颇为重要。因此我们研究团队（包括香港和美国的合作者）提出了风电厂内部优化调度模型，帮助风电厂运营人员，根据风机发电效率、电价和天气状况作出启停风机的最优决策。该项研究成果弥补了国内外在这个方面的空白（目前大部分研究关注风电厂和其它传统电厂的电力调配、调度，忽略了风电厂内部也需要优化调度）。我们的研究成果“Scheduling Electric Power Production at a Wind Farm”发表在管理科学方向国际一流期刊European Journal of Operational Research（5-Year Impact Factor: 2.3）上面。