回归预测可以寻找事物之间可能隐含的关系,从而对事物的情况或发展做出预测,在社会科学和自然科学等领域有着广泛的应用,其中风力发电功率预测是回归预测的一个重要应用领域。由于能源供应的紧张与环境污染的加剧,对于清洁能源的研究越来越受到重视。风能是一种优质的清洁能源,但是由于其不稳定性,风力发电的应用受到了一定限制。风力发电功率预测是解决风力发电并网问题的重要途径。为提高应用于超短期风电功率预测的风速预测的可靠性,本文主要做了以下工作:(1)采用基于周边地区测风塔风速风向等当前和最近历史观测值的空间相关性方法进行超短期风速预测。首先对风向近似指向被预测地点的测风塔,计算其与被预测地点风速观测值之间的延迟相似性。将相似性大于一定阈值的测风塔作为被预测地点的风速上游。然后结合最优延迟时间,训练预测模型。最后将各上游风速的当前观测值输入到预测模型,得到被预测地点未来的风速预测。(2)以偏最小二乘回归为主要模型,同时采用线性回归、最小二乘支持向量回归、广义回归神经网络和随机森林回归进行了对照,将天津和荷兰Huibertgat作为被预测地点,进行了对未来风速预测误差与模型阶数、训练模型的历史样本容量之间关系的数值实验研究。(3)采用加权最小二乘方法,对回归方法进行了优化,以期提高空间相关性风速预测的效果,并研究了权值参数取值对于空间相关性风速预测误差的影响。主要得出的结论有:(1)研究发现,在冬季风时期,当样本容量达到一定的程度后,预测误差的变化对模型阶数和样本容量均不再敏感。这表明空间相关性是一种较为可靠的未来超短期风速预测方法。(2)偏最小二乘回归和最小二乘支持向量回归在准确性上优于其他回归预测方法,但是最小二乘支持向量回归由于需要优化的参数较多,运行时间明显较偏最小二乘回归更长。综合考虑预测误差和运算时间,偏最小二乘回归是比较理想的空间相关性风速预测回归方法。(3)采用加权最小二乘方法可以提高空间相关性风速预测效果。