1、利用历史数据进行风电功率预测，数据的质量对预测准确度有很大的影响，此外，了解风速、功率在不同时段的变化特性，采取针对性、差异化的参数配置，有助于提高预测算法的效率和模型对具体数据的适应性。本课题主要采用 K 均值聚类算法对风速和功率数据进行聚类，剔除不合理的数据，再通过BP神经网络实现短期风电功率预测。 2、BP神经网络、kmeans聚类算法。 3、matlab仿真；

基于BP神经网络对短期风电功率进行预测的matlab程序代码

基于深度学习分位数回归模型的风电功率概率密度预测.pdf

采用模糊神经网络建立了风电场输出功率的短期预测模型,通过新疆某风电场数 据进行算例验证,对不同预测周期的模型的预测效果进行比较。结果表明,所建立的模糊神经 网络模型能正确地预测风电场输出功率,提升传统神经网络的性能。

BP、GABP、改进GABP三种风电功率预测方法比较；Matlab源代码，内含数据，注释详细，内含gaot遗传算法工具箱。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

本发明公开了一种基于遗传算法优化BP神经网络的风电功率预测方法，从风电功率预测系统的数据处理模块中获取预测参考数据；对参考数据建立BP神经网络的预测模型，并采用多种群编码对应BP神经网络的不同结构，每个种群分别对神经网络权值阈值编码，生成不同长度的个体，用遗传算法中选择、交叉、变异操作进化优化每个种群，最后判断收敛条件并选择最优个体；再对BP神经网络初始化，用学习率可变的动量BP算法进一步训练网络直至收敛，利用该网络对风电功率进行预测；最后，还反复利用预测值，在一轮预测中进行多次预测实现了跨时间间隔的多步预测。本发明预测精度提高，计算时间减少，稳定性增强。

含NWP数值天气预报和不含NWP数值天气预报的BP神经网络预测风电功率两种方法进行比较，含数据，实际案例。

论文资源，粒子群优化神经网络的预测模型。

【预测模型】基于殖民竞争算法优化BP神经网络进行风电功率预测matlab源码.pdf