提高风电出力的预测精度可降低含高渗透率风电电力 系统调度、优化、规划等策略的保守性和控制策略的复杂性。 该文在分析风电出力历史数据与气象因素关系的基础上，建 立了基于风电出力数据驱动的短期风电功率预估–校正预测 模型。采用具有较高精度的小波神经网络预测模型实现预估 环节，以自适应动态规划作为附加优化结构，利用风电出力 实测数据及时更新预估模型中的参数，实现校正环节，使得 预估模型能够适应风机在额定风速以下运行区域内多变的 运行点。

自适应短期风速预测，张小栋，张建文，为了准确地预测短期风速，本文提出了基于递归最小二乘算法的自适应短期风速预测方法。首先将逐时风速数据进行变换使其近似服从高

为了提高风电场短期风速预测的精度，提出了一种基于自适应噪声的完整集成经验模态分解(CEEMDAN)-排列熵(PE)和量子遗传算法(QGA)优化BP神经网络的短期风速预测模型。首先采用CEEMDAN对原始风速时间序列进行分解，降低不同特征尺度序列间的相互影响；其次，为了减少计算规模，对分解得到的各个分量序列分别计算排列熵，将熵值相近的分量进行叠加形成新的序列；最后，针对BP神经网络在初始化权值和阈值的选取上存在随机性的问题，采用QGA对BP参数进行优化，分别对每个新的序列进行预测并将预测结果进行叠