随着风力发电在电力系统中的渗透率不断提高,风电功率爬坡事件(短时间内功率的大幅度波动)对电网产生的冲击日益显著,因而预测风能中的爬坡事件具有重要意义。相比传统风电功率预测的研究而言,爬坡事件的研究目前还属于较新的领域。为更好地研究这类小概率事件,就需要认识风电爬坡事件的特征,相应的爬坡检测方法也一直是研究中的难点。基于此,本文将从检测识别、预测两个方面进行研究,主要内容如下:在风电爬坡事件检测方面,为提高爬坡事件的检测效率,采用旋转门算法(SDT)对原始风电功率数据进行分段趋势提取,预提取出潜在的爬坡段。针对检测中存在一些复杂爬坡事件,从功率变化趋势的角度,通过趋势标记的方法,将局部变化趋势分为上升趋势、平稳和下降趋势三类,提出一种基于趋势特征的爬坡检测方法。最后,对上海某风场2015年全年的数据进行爬坡事件识别。通过整理分析对应爬坡的起止时刻、爬坡量、爬坡方向及对应天气状况,验证了基于旋转门算法和趋势特征相结合的爬坡检测方法的有效性及实用性。在风电爬坡事件预测方面,考虑风速大小对预测精度影响的同时还需兼顾风速的变化,引入兼顾“值相似”与“形相似”的相似离度搜寻预测段的相似风速曲线,将风速及对应的功率构成最终相似样本簇。针对极限学习机(ELM)输入权值和阈值随机给定的问题,引入自适应的布谷鸟算法(ACS)进行优化选取,提出一种相似样本簇和ACS-ELM的风电功率预测模型;最后结合提出的检测算法实现对爬坡事件的间接预测。实验结果表明:基于相似样本簇和ACS-ELM相结合的预测模型能够避免冗余信息的干扰,训练样本更具针对性,节省了训练模型所需的时间,预测结果更接近于实际观测数据,间接确保了风电爬坡的有效预测。最后,设计了适合目标风场的风电功率预测系统,将上述的算法集成到预测系统的算法层模块中,并在实际风场进行稳定运行。