1、隨著風電在電力系統(tǒng)中的滲透率越來越高，其固有的不確定性給電網安全經濟運行帶來嚴峻挑戰(zhàn)。對風電出力概率特性進行統(tǒng)計分析，實現(xiàn)高精度的超短期風電預測能為電力系統(tǒng)運行管理人員提供應對風電不確定性的基礎條件。風電預測精度越高，電網接納風電的能力越強。另一方面，越來越多的風電機組代替?zhèn)鹘y(tǒng)的同步電機，使系統(tǒng)頻率響應特性持續(xù)惡化，因此風電機組參與系統(tǒng)調頻在工業(yè)界和學術界均得到廣泛重視。本文基于四川地區(qū)某實際風電場的實測數據，對風電出力特性、超短期風電

2、預測和慣性控制進行研究，詳細內容如下:
　　1、對該風電場年出力分布和年風速分布進行統(tǒng)計分析，對比15min、30min和60min時間尺度下的出力波動特性;統(tǒng)計分析該風電場風電機組之間出力的相關性和互補性;分析單臺風機在同一風速下輸出功率的寬范圍分布現(xiàn)象，提出了一種基于最優(yōu)平滑階數的風速功率曲線建模策略，以最優(yōu)平滑階數處理原始風速得到輸入風速從而建立風速功率曲線模型，并與已有方法中以原始風速為輸入建立的風速功率曲線模型進行精度對

3、比分析;
　　2、提出了一種基于BP神經網絡的長時間尺度缺失風電功率數據的補齊方法，以缺失數據時間段內另7臺風機的實測風電功率數據為BP神經網絡的輸入，得到待補齊風電機組的功率數據，并與常用的相鄰風機法進行精度對比分析;
　　3、深入研究基于歷史功率數據的超短期風電預測，實現(xiàn)了持續(xù)法、ARMA、ARIMA這三種時間序列法;在考慮風電功率序列波動特性的基礎上提出了一種改進的持續(xù)法，其精度較持續(xù)法有一定程度的提升;實現(xiàn)了BP神經

4、網絡、RBF神經網絡、SVM、PSO-SVM四種智能算法。對上述預測方法在不同季度以及不同預測步長情況下的預測結果進行對比分析。選擇時間序列方法中總體精度最好的ARMA方法和智能算法中總體精度最好的PSO-SVM為子預測方法，利用ANFIS組合上述兩個子預測方法從而得到最終的風電預測結果，并將組合法的預測精度與兩個子預測方法進行對比分析;
　　4、分析了暫態(tài)過程中風速波動對風機參與系統(tǒng)調頻的影響，進而提出了一種基于超短期風速預測的