风能是一种发展潜力巨大的清洁能源,而高精度的风电功率预测在风能利用中至关重要。近年来,机器学习被应用到风电功率预测领域,并且因其在短期预测中的良好表现而备受关注,但目前这一方向还存在一些问题,预测系统的准确性有待进一步提高。本文就机器学习在短期风电功率预测中的两个问题展开研究:1)时空特征的应用;2)预测误差的处理。论文分析总结了前人的工作,并在此基础上,提出了相应的改进方法。一方面,包含风电功率历史信息和空间信息的时空特征能有效提高风电功率预测的准确度,和传统方法相比,有很大优势,但其优势尚未被全部发掘。本文进一步研究时空特征,着重探究特征中数值的稳定程度对预测效果的影响。基于研究结果,论文设计了一种混合风电功率预测方法:首先,特征每一维度的数值被当作风电功率的观测值,用以计算方差,以方差的数值大小为标准,训练数据集被平均分成若干组。然后,用每组数据单独训练机器学习模型。最后,评估每个模型并赋予其一个权值。在实际预测时,各模型所得结果的加权平均数将被作为最终的预测结果。依据方差对训练集分组的方法和计算模型权值的方法是本部分内容的主要创新点。另一方面,实验显示,使用机器学习进行风电功率预测时,预测误差会表现出某些规律,例如“滞后性”。论文收集已有模型预测的误差数据,并使用这些数据训练机器学习模型,以估计已有模型的预测误差。风能数据本身具有很高的随机性和不确定性,误差数据与之相比,随机性和不确定性更高,对其进行预测时,模型容易出现过拟合问题,为此,论文设计了一种基于k-近邻的数据平滑算法,对数据进行预处理,以缓解该问题。用于误差预测的特征提取方法和数据平滑方法是本部分内容的主要创新点。在NREL数据集上的实验证明,本文所设计方法在预测准确率上优于目前先进的方法,与支持向量机、k-近邻回归、决策树回归和MLP神经网络相比,平均绝对误差(MS E)分别降低了4.644%、12.088%、17.176%和5.629%。