风力发电大规模并网时,风电功率的波动性和非线性给电网稳定运行带来了巨大的安全隐患。因此,对风电功率进行超短期预测可以及时调改电网运行方案,从而减少风电大规模并网对电网带来的冲击。近年来,对风电功率超短期预测主要采用单一或多种预测方法组合的方法,但单一的预测方法因为预测模型自身的缺陷易造成较高的误差,而多种预测方法组合的预测模型虽然可以互相弥补单一预测模型之间的缺陷,却无法减少非平稳数据自身带来的影响。为此,本文基于非平稳风电功率数据提出了一种预先进行数据平稳化处理的小波函数与时间序列法相结合的预测模型,主要研究内容如下。风电功率相关性研究。对风电功率数据及影响其变化的气候因素,包括风速、气压、湿度、平均温度、最高和最低温度等进行了数据相关性分析,通过相关性分析剔除了非相关性数据,减少了大量无用的实验数据,同样减少了后期因数据庞杂而引起的误差。风电功率预测模型的选择。处理好风电功率历史数据数后使用指数平滑预测模型与非平稳时间序列法中的求和自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)分别进行预测。算例分析结果显示,虽然ARIMA预测模型相比指数平滑预测模型可以有效的对风电功率进行预测,但随着预测时间的增加误差也会增加,为此,需要确定对风电功率数据进行平稳化处理的有效方法。本文选用在同一原理上进行逐步改进来的haar函数,db N函数,coif N函数及sym N函数四种小波函数,将非平稳无规律的风电功率数据分解为一个含有大量特征值的数据和N个平稳有规律发展趋势的数据之和。对使用不同小波函数分层后的N组数据分别进行预测,再将预测后的数据进行重组叠加得到最终预测结果,结果表明,小波sym5函数和ARMA模型组合的方法相比小波haar函数和ARMA模型组合、小波db3函数和ARMA模型组合及coif3函数和ARMA模型组合可以有效提高风电功率超短期预测的精确度。该方法可在风电功率并网时减小对电网的冲击性,也可准备相应的调峰容量,避免造成不必要的浪费。