由于風力發電的間歇性、隨機性和波動性，給電網的安全穩定運行帶來了挑戰。對風力發電功率進行有效預測，可以幫助電網調度部門做好各類電源的調度計劃，提高電網運行的穩定性，同時也可以提高電網消納風電的能力，進而減少了由于限電給風電開發商帶來的經濟損失，增加了風電場投資回報率。風電功率預測不僅為電網的調度計劃提供依據，同時也能為風電場的管理工作提供輔助手段。
　　國家能源局2011年6月發布《國家能源局關于印發風電場功率預測預報管理暫行辦法的通知》(國能新能[2011]177號)，通知對風電場功率預測提出要求，根據辦法第九條要求，風電場功率預測系統提供的日預測曲線最大誤差不超過25%;實時預測誤差不超過15%。全天預測結果的均方根誤差應小于20%。
　　在此文件的指導下，近年來，各省/區電網調度中心對所轄區域內風電場功率預測精度提出了考核機制，如山西、河北等省，新疆地區也從2015年開始進行精度考核。考核機制的細化和落實，對風功率預測精度提出了更高的要求，各風電場為避免被處罰，必須配置穩定的、高精度的風功率預測系統。
　　“高精度風電功率預測系統”是以高精度數值氣象預報為基礎，搭建完備的數據庫系統，利用各種通訊接口采集風電場集控和升壓站數據，采用人工智能神經網絡、粒子群優化、風電信號數值凈化、高性能時空模式分類器及數據挖掘算法對各個風電場進行建模，完成對風電場的短期風電功率預測、超短期風電功率預測工作。系統要能夠提供人性化的人機交互界面，方便查看歷史數據和實時預測數據。
　　高精度數值天氣數據是以中尺度模式數值氣象預報數據為基礎，結合風電場微觀選址及針對不同地域特點的參數化方案，經過大規模并行分布式計算機集群的模式計算優化后得到高精度的中小尺度數值天氣預報，作為風功率預報的基礎。
　　風功率預測中，對風電場進行數學建模是最關鍵的一個環節。根據預測時采用的數學模型不同分為物理模型、統計模型。物理模型是在風電場物理環境和風功率之間建立一種聯系，該方法中，需要對風電場的地形、粗糙度、周圍障礙物等進行建模，將數值天氣預報中風速、風向、氣壓、氣溫等氣象值換算成風電機組輪轂高度的相應數值，然后結合風機本身的功率曲線預測每一個風機的功率，并考慮風機間尾流影響，綜合得到整個風電場的風功率。該方法優點是不需要長期積累大量測量數據，缺點是需要充足的氣象知識，對模型的精確度要求較高，預測效果不太理想。
　　統計模型方法是在模型的輸入(數值天氣預報和風電場的其它測量數據)和模型的輸出(風電場預測功率)之間建立一種映射關系。統計方法的優點是預測誤差小，缺點是需要長期的測量數據以訓練模型參數，此外，當天氣狀況發生突變時，系統的預測精確度就會下降，因此對這些突然變化的天氣狀況進行修正是很重要的，否則將會產生較大的預測誤差。常見的統計模型有：智能神經網絡、卡爾曼濾波、時間序列等方法。
　　結合上述兩種建模方式，可以采用混合建模，在現有時間序列模型下，采用人工智能技術，引入概率統計學理論以及智能優化算法，針對電場地形及氣候特點，細化建模，加深建模深度，實現復雜性建模，提高風電場功率預測的精度。
　　總之，隨著各地對風電場功率預測系統的考核機制逐步落實和推行，對風功率預測精度提出了更高的要求，各風電場未來將更多的關注穩定的、精度高的預測系統，這也將促進國內風電場功率預測技術的進一步發展和提升。