中文摘要：

风电机组发电量的短期预测对于调整发电计划，有效减轻风电对于整个电网的不利影响等具有重要意义。本项目旨在深入挖掘风电场出力与气象信息的非线性特性以及影响风电场出力的关键因素，研究建立短期风电场出力智能预测系统中的相关关键技术。重点在风机出力的混沌特性分析和提高天气突变条件下的风电出力预测精度上有所突破，所建立的预测模型不仅要适合天气变化缓慢的情况，更要能有效预测天气突变时的风机出力，项目提出在天气变化缓慢时，构造基于数据挖掘理论的短期风电出力混沌特性分量预测模型；在天气变化剧烈时，构造新型的受气象因素影响的风电出力神经网络预测模型。利用混沌理论、神经网络和数据挖掘研究中的最新进展，揭示风电场出力的某些变化规律，为开发出准确和快速的短期风电场出力综合智能预报系统提供关键技术。

结论摘要：

风电场的短期出力研究问题最重终归结于短期风速的预测。本项目以此为研究对象，对于风速的采集、采集风速的非线性分析、采集风速的缺损值填充、短期风速预测等方面进行了深入研究。结论如下1）对于所研究的风电场风电机的测量风速进行非线性分析，通过计算Hurst指数，相空间重构参数和构造递归图，发现该研究对象的非线性特性是一种间歇性的弱混沌特点。2）风电场风机测量风速的完整性无论对于风电场出力研究、还是对于研究风机布局以及风机紊流影响等都具有重要意义。本项目针对风电场内邻近多台风机测量风速同时发生缺损的工况，提出了基于小波神经网络的组合填充算法。首先，分别采用空间邻点法、相关性法则和动态时间规整算法对风场内两两风机的测量风速相似性进行分析；其次，提取与缺损测量风速风机在缺损时刻风速演化最相似的若干台风机的测量风速，构建小波神经网络，进行单个模型的填充方法研究；最后，提出了基于熵权的组合填充模型。实验结果表明，在进行非线性风速相似性度量时，动态时间规整算法优于相关性法则；基于相似性风速时序构建的神经网络，提高了模型的学习和泛化性能；组合填充模型的精度和平稳性优于单个模型。对风电场内每台风机进行模拟实验，增加了模型的普适性。3）有文献及实践表明，风电机机舱处的风速对于风电场的出力研究具有最重要的意义。本项目基于所研究风电场风电机的测量风速的非线性特点，构造了基于小波分解和粒子群-量子遗传算法相结合的神经网络优化模型，对短期风电机机舱风速进行预测研究。首先采用db6小波将原始风电机测量风速进行4层分解，之后对每一分量单独进行建模。采用动态时间规整算法和相关性法则在风电场所有风电机历史测量风速对应的小波分解分量中，对待预测风速风电机的测量风速与所有风电机的测量风速在每日对应时刻进行风速演化相似性评估，提取最为相似的数据进行构造神经网络模型，期间，分别采用量子遗传算法和粒子群算法对于神经网络的权值阈值参数和神经网络的训练集进行优化，最后，各分量预报结果经神经网络集合预报得到最终风电机短期风速预报值。项目的研究表明通过相似性研究来进行风速预报是可行的；基于量子遗传算法和粒子群优化方法联合优化的神经网络集合预报结果优于传统神经网络模型和时间序列模型。4）项目结合气象预报模式进行短期风速预报研究正在进行中，以期对于模式预报结果的修正进行一定的工作。