随着国家新能源产业的飞速发展,新能源规模化利用的主要问题是实现电网对新能源的大规模消纳。由于我国风电装机容量不断上升,大量风电场缺乏足够的历史数据进行风功率预测的建模,从而导致整体发电和上网效率低下。针对这一问题,本课题从风功率预测的数据不充分角度出发,提出了一系列提高风电预测效果及解决数据不充分下的预测问题的方法,从物理分析、特征提取、迁移学习及模型集成等方面着手,设计了基于迁移学习的风功率预测方法,并在实际数据上取得了良好的效果。首先,本课题选取多个来源的风电数据和天气预报数据进行分析,利用空间相关性分析对风机的实时风速进行估计,通过拟合风功率特性曲线,将风功率预测问题转化成风速预测问题。通过分析风速的不确定性,发现了风速方差随平均风速的调幅效应和多尺度效应,利用小波分析风速在不同时间分辨率和频率上的变化规律,对风速的不确定分量进行可预报性分析,利用自相关函数分析风速在不同预报长度上的可预报性。通过这些工作,从原始风速数据中提取若干易于进行回归分析的特征子集。接着,利用迁移学习构造风功率预测模型。本课题采用二阶ANFIS模型作为基本学习单元,以TransferAdaboost算法作为迁移策略,通过减小辅助训练数据中回归误差大的数据的权重来优化ANFIS模型。实验结果表明利用迁移学习进行风功率预测相比于传统模型有明显的改善。此外,随着模型在预报时间长度增加时,模型效果逐渐变差,但基于迁移学习的模型依旧相比于非迁移学习的模型整体性能要好。当模型在训练数据从1%到90%时,TransferAdaboost模型在大部分的训练数据的比例下,其效果都要好于非迁移的ANFIS和SVM模型。最后,设计了一种基于迁移学习的加权集成模型。将72小时的预报长度根据预报需要分解成若干个大小不同的区间,在每个区间长度上建立一个基于迁移学习的基模型,让每个基模型在给定的区间上训练得到最佳效果。然后将总长度所包含的每个区间通过遗传算法优化权重。通过对比实验发现,通过遗传算法加权的集成模型整体上好于不加权的集成模型,尤其在短期预报上优势更加明显。