随着风电大力发展，风电场建设规模的扩大，在分析风电场接入电力系统时，需要考虑风电场输出功率波动范围大的特点。风能具有间歇性和随机波动性，风速的变化直接导致风电场的有功功率和无功功率的变化，输出功率很不稳定。
当风电穿透全运行会产生严重的影响，同时也会影响电能质量和经济调度以及电力竞价。因此，积极开展风电功率预测研究工作，提高预测的准确性，对电网调度、提高风电的接入能力以及减少系统运行成本等方面具有现实意义。
风电功率预测是指以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率。风电功率预测实际包括两个方面：一、风电场建设前期的出力预测，也就是风能资源评估和风电场选址工作；二、风电场建设完成，投运发电之后的风电功率预测。
风电场功率预测的准确度是由多个因素所决定的，其中风速预测的精度是个关键的条件，风速预测对风电功率预测起到决定性的作用，对风电场和电力系统的运行有着重要意义。因此，可以将风电预测分为基于风速的预测和不基于风速的预测。
基于风速的风功率预测对风电场做短期风速预测，再由风功率曲线得到风力发电功率的预测值，这是进行风力发电功率预测的有效途径之一。在预测时，考虑温度、气压、地形、海拔、纬度等多种因素的影响，采用预测方法主要有持续预测法、卡尔曼滤波法、人工神经网络法和模糊逻辑法等。风速预测按周期可分为短期、中期和长期。短期风速预测一般是未来1h平均风速的预测值，有时会更短，因为预测周期越短，被测地点风速变化越，预测精度会越高。中长期风速预测则指对更长周期的平均风速进行预测。
风电功率预测的分类方式有很多，大体总结有以下分类方式：1、按照预测的物理量可分为：预测风速输出功率和直接预测输出功率；2、按照数学模型可分为：持续预测、时间序列模型预测、卡尔曼滤波法和神经网络的智能方法预测；3、按照输入数据可分为：不采用数值天气预报法和采用数值天气预报法；4、按时间尺寸可分为：超短期预测、短期预测和中长期预测。其中按时间尺寸分类普遍被大家认可，应用最为广泛。
超短期风电功率预测时间尺度为0-4h、15min滚动预测，时间分辨率为15min，主要用于实时调度，解决电网调频问题。短期风电功率预测时间尺度为0-72h，时间分辨率为15min，主要用于合理安排常规机组发电计划，解决电网调峰问题。中长期风电功率预测时间尺度为数周或者数月，这一时间尺度内的风功率波动与风电场或电网的检修维护计划有关。
风功率预测方法可以分为：一种方法是根据数值天气预报的数据，用物理方法计算风电场的输出功率；另一种方法是根据数值天气预报与风电场功率输出的关系、在线实测的数据进行预测的统计方法。综合方法则是指物理方法和统计方法都采用的方法。
物理方法是应用大气边界层动力学与边界层气象的理论将数值天气预报（Numerical Weather Prediction /NWP）数据精细化为风电场实际地形、地貌条件下的风电机组轮毂高度的风速、风向，考虑尾流影响（如图2所示）后，再将预测风速应用于风电机组的功率曲线，由此得出风电机组的预测功率，最后，对所有风电机组的预测功率求和，得到整个风电场的预测功率。 其目的就是能够较为准确地估算出轮毂高度处的气象信息，从而为风功率预测作基础。
物理方法特点有如下几个方面：（1）不需要风电场历史功率数据的支持，适用于新建风电场；（2）可以对每一个大气过程进行详细的分析，并根据分析结果优化预测模型；（3）对由错误的初始信息所引起的系统误差非常敏感；（4）计算过程复杂、技术门槛较高。
统计方法是基于“学习算法”(如神经网络方法、支持向量机、模糊逻辑方法等)，通过一种或多种算法建立数值天气预报（NWP）数据、历史数据和实时数据与测得的风电场历史输出功率数据之间的联系，再根据输入输出关系，对风电场输出功率进行预测。
统计方法特点：（1）在数据完备的情况下，理论上可以使预测误差达到最小值；（2）定期进行模型再训练，预测精度可持续提高；（3）需要大量历史数据的支持，不适用于新建风电场，对历史数据变化规律的一致性有很高的要求；（4） 统计法的建模过程带有“黑箱”性。
尽管风力发电发展迅猛，但据调查，目前我国许多风电场投产后实际的年平均发电量远低于预期测量值，大约为预测值的60%~80%左右，导致该结果的一个重要原因就是风能资源的测量和评估存在问题，对我国典型地区风资源规律的缺少认识，对我国风电场的建设缺乏理论依据。
比如，风机运行寿命一般为25年，在运行发电期间，有许多折旧因素和自然环境约束，导致风电场理论发电量与实际发电量相差较大。因此，在引进新的风电项目之前，必须在考虑具体的外部环境因素基础上来建设风电场，这样才能是风能最大化利用。
研究风能精细评估和风场微观选址技术研究，确立我国在大型风场数值仿真领域的国际领先地位。一般可研报告计算的发电量偏大。设计单位在计算风电场发电量时，主要有以下原因致使计算的发电量偏大。
在进行风资源分析及发电量计算时，设计单位多采用丹麦WAsP软件进行计算分析。但由于我国国土面积大，地形条件十分复杂，国外的数值模式，尤其是欧洲的小尺度数值模式，其中的湍流闭合参数基本都是本地的近地湍流观测试验结果确定的，与我国地形地表状况相差甚远。因此其计算结果与实际相差较大，且绝大多数情况下，结果偏大。国内多数风电场实际发电量均比可研报告小，就充分证明了这一点。
在无法满足规范要求的情况下，由于风资源观测系列太短，设计单位机械地利用临近气象站的长期观测数据进行数据订正。由于气象站因城市化，气候变暖等影响，造成近期气象站观测数据较长期偏小，致使订正后的数据较风电场实际数据偏大。另一方面由于规范要求的气象站距风电场要近，地形相似等条件，多数情况下根本不能满足。
安装的测风仪的位置不适合，多数安装在山头或地形较高处，代表性差。大多数风电场地形复杂，安装的测风仪数量太少，不能全面反映风电场风资源。当风电场建设完成，并网投运之后，对风电场区域的风力进行准确的短期预测，则将为风电场功率的预测提供有效数据支持，对电网稳定运行和安全调度具有重要作用。
数据量偏少风电功率预测要求的数据量很大，比如风电场历史数据，NWP数据和SCADA实时数据等，但在进行风功率预测时，这些数据往往会有异常、不完备的情况，若用统计方法进行预测时，则会因数据量不够影响预测精度和可靠。自动化通讯设备，自动化通讯设备在电力系统中起到“毛细血管”的作用。由于自动化通信故障引发数据采集、传输、转换等一系列环节出错，导致数据失真或缺失，影响数据准确性，给功率预测带来不利影响。
限制风电出力，在大规模风电场接入电网之后，由于风电出力的不确定性和不完全可控，风速变化过频繁，会给电网调度和方式安排带来极大困难，只有弃风，限制风电出力来维持电网安全稳定运行。这一方面增加风电场投资回收期，另一方面将导致清洁的风能资源严重浪费。
风电场选址是否合理直接影响着风电场建成后的发电量。在宏观选址过程中，要详细考察风能资源、并网条件，交通、地形地貌和其他气候环境等因素，并确保有效侧风时间大于一年。同时要考虑湍流强度，如果一旦湍流强度超过0.25，建设风电场就要特别慎重。在微观选址上，要考虑地形、尾流效应和塔影效应等对风速的影响。借助于预测精度较高的软件，比如WAsP和WindFarmer软件，并且要考虑多种折旧和自然干扰，确保全面、精确的风电场选址工作。还需要针对风能资源形成、分布、变化机理以及评估技术原理的研究。
目前，在进行短期风功率预测时，无论采用物理方法，还是统计方法都会用到NWP数据，因此提高天气预报的准确性能够改善预测的精度。把多个数字天气预报（NWP）模型组合起来，对气象信息进行预报，该方法可以克服恶劣天气下出现的预测偏差，显著提高预测精度。风电数据量很大，风功率预测是基于大量数据资料开展的。合理数据管理，可以节约风功率预测时间，进而给调度工作带来方便。所以，可以建立风电数据库，并开发基于风电的数据挖掘系统，数据精细化管理。
物理法不需要风电场历史功率数据的支持，适用于新建风电场；但需要大量且准确的NWP数据，风电的物理信息对预测的准确度也有很大影响。统计方法需要大量历史数据的支持，对历史数据变化规律的一致性有很高的要求，但准确性较高，同时建议采用自学习能力的模型。因此，在实际预测中，建议物理方法和统计方法结合。
完善通信通道，增加设备巡视次数，定期维护设备，确保提供连续、可靠的监测风电数据。近几年，我国已开发出风功率预测系统，风电场向电网公司提供了较为准确的发电功率曲线，这使得电网调度可以有效利用风能资源，提高风力发电上网小时数。但与一些西方国家相比，我国预测系统还未完善，预测精度还有较大差距，因此，需要针对我国风能资源具体的情况，改进风功率预测系统，提高预测准确性。
除以上几点改进措施外，还需要按风电额定出力能力配置输配工程；综合考虑外界因数对风电功率预测产生的影响；完善预报评价体系等。
