二十一世纪是新能源的时代。因为经济发展带来的日渐下降的能源需求，以及传统能源带来的温室效应、环境污染等问题，世界各国均旨在于发展清洁、可再生的新能源。风力发电作为技术最为成熟的新能源，在全球范围内均得到了迅猛的发展，是当前能源构成中所占份额最大的新能源。
然而，在风力发电的急速发展中，也渐渐显露了许多问题。风的随机波动性和间歇性等特征决定了风力发电功率的波动和间歇性，当风电在电网中所占的比列较大时，该特点都会严重影响电网的稳定与安全。为此，为了就能提早对供电系统进行有效的计划和调度，保障电网的稳定性与安全性，就必须对风电场的发电功率进行确切的预测。
本论文依托基础科研项目“大型风电场短期功率预测方式研究”，以实际课题“大型风电场的风电功率预测系统开发”为工程背景，结合国外外风电场功率预测方式的最新研究状况和发展趋势，对短期风电功率预测方式进行了较为深入的研究。论文主要研究了以下几个方面的内容：
1）基于小波剖析与高斯过程的风电功率预测混和模型。本文提出了使用历史数据进行预测的混和模型，首先使用小波变换对实测风速序列进行分解，之后对每位子序列分别基于高斯过程进行建模、预测风电功率预测数据分辨率，最后由子序列的预测值求和得到风速预测值。对风电场实测数据库的预测结果证明，该混和模型与持续法相比，可将1-4小时/天的预测精度提升约10~13%。
2）基于空间相关法的风速预测组合模型。空间相关法可合理借助风电场周边测风站点的实测风速信息，预测风电场未来的风速变化趋势，进而提升预测精度。本文首先使用自相关系数法选择模型输入，之后基于神经网路构建分风向预测模型，并将该模型与基于小波剖析与高斯过程的混和模型相结合，以清除风速不相关时空间相关数据可能引入的偏差。实验结果表明，组合模型将1-4小时的风速预测精度增强了11%左右。
3）基于数值天气预报与高斯过程的修风模型。随着预测时间的下降，预测模型需加入数值天气预报（NWP）数据作为输入，以提升预测精度。本文提出的修风模型，首先使用高斯过程构建NWP数据与实测风速之间的模型关系，之后使用该模型修正NWP数据中的风速预测值，并将修正后的风速用于风电功率预测。文中对建模流程的每位步骤均做出有效性剖析，之后给出了大规模实验验证，结果表明，本文的修风模型急剧增强了1-24小时风电功率预测精度，与持续法相比的提升度约在30-50%之间。
4）针对新建风电场的在线高斯预测模型。新风电场未能得到足够的实测数据组成训练集，因此未能完善精确的预测模型。因此，本文提出了以下预测方式：首先选定与新风电场的气象状况最相像的已有风电场数据库作为初始训练集，之后随着新风电场的每晚营运风电功率预测数据分辨率，逐渐使用新样本替代初始样本，最后基于在线学习的高斯过程构建预测模型。实验结果表明，该方式对于新风电场的24小时风速预测，精度提升了约20%；对于1-3天的风速日均值预测，因为合理加入NWP数据，精度提升度在25-50%之间。