1、準確的風電場功率預測，可以有效地減輕或避免風電場接入電網(wǎng)對電力系統(tǒng)造成的不利影響，同時提高風電在電力市場中的競爭能力?；跉v史數(shù)據(jù)的方法只能用于超短期的風電場功率預測（1～6小時），對于0～24小時或者更長時間的0～72小時預測必須使用數(shù)值天氣預報。本文借助數(shù)值天氣預報，進行了基于神經(jīng)網(wǎng)絡方法的風電場功率預測中研究，主要工作包括：
　　 1．數(shù)據(jù)前處理方法的研究。
　　 對數(shù)值天氣預報和風電場測量數(shù)據(jù)進行預處理并建立了比

2、較完備的數(shù)據(jù)庫，研究了數(shù)據(jù)的前期處理原則。
　　 2．風電場功率預測中神經(jīng)網(wǎng)絡算法的研究。
　　 首先對應用廣泛的BP神經(jīng)網(wǎng)絡在風電場功率預測中的應用進行研究；然后考慮RBF具有擅長處理非線性復雜問題的能力，探索將其應用于風電場功率預測中。通過實例驗證，比較了兩者的優(yōu)劣。結果表明RBF神經(jīng)網(wǎng)絡更加適合基于數(shù)值天氣預報的風電場功率預測。
　　 3．影響風電場功率預測精度的主要因素分析。
　　 ①數(shù)據(jù)的影響：

3、輸入變量和訓練樣本。②神經(jīng)網(wǎng)絡模型參數(shù)：BP神經(jīng)網(wǎng)絡模型中網(wǎng)絡結構、隱層神經(jīng)元以及權值和閾值的選取是構建模型的關鍵因素；RBF神經(jīng)網(wǎng)絡模型中隱節(jié)點數(shù)據(jù)中心、擴展常數(shù)和輸出層權值的調(diào)節(jié)是關鍵因素。
　　 4．BP和RBF神經(jīng)網(wǎng)絡模型優(yōu)化算法研究。
　　 用遺傳算法對BP神經(jīng)網(wǎng)絡模型的權值和閾值進行了全局尋優(yōu)；提出用正交最小二乘和梯度下降訓練算法分別優(yōu)化RBF神經(jīng)網(wǎng)絡模型。應用于實際算例的結果表明，經(jīng)上述方法優(yōu)化后的兩種模型