如何提高风电功率预测精度一直以来都是风电预测领域亟待解决的问题。因为较高的风功率预测精度,为风电场并网、电网的调度提供科学依据而且还能使得风电场免于因较低风功率预测精度而罚款。是一个兼具经济及社会研究价值的问题。随着社会的快速发展,人们对于能源的需求越来越高,伴随而来的是严重的空气污染等一系列的生态环境问题。如何在兼顾经济发展的同时还能顾忌到环境问题是一个急需解决的棘手问题。能够减少污染的清洁能源越来越受到人们的重视,体现在清洁能源在总体能源中所占比重逐年提高,国家十三五规划所提出的碳达峰,碳中和策略的制定更是让人们清楚地看到未来能源必将是清洁能源占主导地位。作为清洁能源的风能以其分布广,易获取且低成本受到人们的青睐。但是国内风电领域的发展面临不少挑战,由于中国风电的发展起步较晚,技术上相较于欧美风电发达国家还有差距,尤其在风电预测技术上。由于国家政策的大力支持,风电功率预测精度不高等原因,所带来的后果是各地大量上马风电项目缺少科学的规划导致弃风弃电等严重问题,已经严重阻碍了国内风电行业的发展。所以如何提高风功率预测精度成为急需解决的问题。本文主要围绕如何有效提高短期风功率预测精度这个核心问题展开。主要核心点和创新点体现在利用贝叶斯动态线性模型对神经网络模型预测误差数据进行建模预测继而实现误差补偿以提高风功率预测精度。对于初步预测模型的选取本文选取的原则是一般性,也间接体现了该误差补偿方法的普适性。所以对于风功率初步预测模型我们采用短期风功率预测领域应用最多且最成熟的神经网络模型,并通过具体实验给出BP神经网络和RBF神经网络的预测效果。最终采用两者中预测效果较好的RBF神经网络作为初步预测模型。本文采用的数据是来自内蒙古某风电场所采集的相关历史数据,基于历史数据对该风电场内的单个风机未来8.25小时的风功率进行短期预测。首先对风力发电基本流程进行概述,再对风电场参数进行统计分析。之后对历史数据进行数据处理从而基于历史数据建立神经网络预测模型对风功率进行短期预测。再对预测误差进行分析并建立贝叶斯动态线性预测模型对预测误差进行预测,最后基于贝叶斯预测模型的预测输出对神经网络预测输出进行误差补偿。实验结果表明该方法取得不错的预测效果。