风电功率预测是解决风电不确定性影响的重要基础和必要手段,高比例风电并网条件下对每个时刻点的预测精度要求都将更为严格,进一步提升风电功率预测精度及其不确定性分析的可靠性意义重大。训练样本是影响预测精度的关键因素之一,不同风随机波动过程下风电机组的发电特性不尽相同,且由于风况类属的多样性和模糊性影响,选择与调度时段内风况波动特性相似的训练样本对预测精度至关重要。因此,作者以云理论为基础,研究定向选取训练样本的短期风电功率预测及其不确定性分析方法,能够对“指定时段”内风速随机波动性和类属模糊性特征进行学习和建模,最终提高短期预测精度。主要研究内容如下:(1)研究了风速波动过程对风电机组输出功率的影响规律分别定义了三个有关风速和功率波动特性的量化指标;提出了基于k均值聚类的风况类别划分方法;在此基础上,利用动态时间弯曲(DTW)算法,更为精细地挖掘各风况类型中最为相似的风速波动序列;以分钟级分辨率的风电场实际运行数据为基础(包括:风速、机组输出功率),据此研究不同风速波动过程下风电机组发电特性,以及相似风速波动序列下风电机组输出功率的波动规律。(2)提出了基于风速云模型定向选取相似训练样本的短期风电功率预测方法建立了考虑风速期望、波动熵和超熵的历史风速云模型;建立了云模型相似度量化指标,用于判断与待预测时段风速云模型最为相似的历史风速云模型,以此为训练样本建立了短期风电功率预测模型,通过对历史数据的定向筛选和精细化利用提升预测精度。算例结果表明:所提方法能够提高短期风电功率预测精度,具有工程实用价值。(3)建立了基于云推理的短期风电功率区间预测模型通过对数值天气预报(NWP)风速数据的离散化处理,分别建立了风速及其对应输出功率的云模型;在此基础上,基于单规则单条件云推理理论,建立了短期风电功率区间预测模型;以我国北方某风电场实际运行数据为例进行验证分析,证明了所提方法的有效性。