随着煤炭,石油和天然气等化石燃料的不断消耗,可再生能源问题已成为世界关注的焦点。风能是可再生清洁能源,具有很强的随机性和间歇性。由于风电出力的波动性会降低电力系统的可靠性,所以建立一个高精度的风电场风电功率预测模型至关重要。本文针对风电功率预测展开以下几个方面研究:(1)针对数据预处理问题,即如何选取与风电功率相关性较强气象特征的作为预测模型的输入量,引入Copula理论进行相关性分析。首先对风电功率和当地气象特征之间的相关性进行总体分析,利用秩相关系数及欧式距离选取最优Copula函数;其次在微观角度采用BEMD分解算法对风电功率与气象特征进行分解并进一步分析两者之间相关性,最后选取相关性较强的气象特征作为预测模型的输入量。(2)考虑到Elman神经网络的训练问题,提出可变学习速率Elman神经网络(VSELMAN)。这种方法可以使网络始终保持以最大速率进行训练。(3)首先考虑到VSELMAN神经网络的参数优化的问题,采用萤火虫算法(FA)进行优化;然后针对萤火虫算法步长固定的问题引入模糊逻辑构造一种模糊萤火虫算法(FFA),并进行实验对比萤火虫算法与模糊萤火虫算法,结果表明模糊萤火虫算法计算速率大于萤火虫算法;最后建立FFA-VSLEMAN风电功率预测模型。(4)基于北方某风电场(15台2MW风电机组)实测数据,将所建立FFA-VSELMAN神经网络模型用于风电功率预测,通过平均绝对百分率误差和均方根误差来评价模型的预测效果。实验结果表明FFA-VSELMAN神经网络在收敛速度、模型预测精度上比FA-VSELMAN神经网络、VSELMAN神经网络、ELMAN神经网络和BP神经网络的风电功率仿真预测表现更好。该模型具有实际应用的可行性,所提预测方法合理有效。