1.一种计及风电场状态的风电功率超短期预测计算方法，其特征在于：它包括以下步骤：

1)“时空特性”数据源的建立通过风电机组数据采集系统和电网调度中心统计数据获得风力发电机内部量测数据及历史风电功率数据，选择n种量测数据作为空间样本，并按照时间顺序排列，得到大数据分析的数据源：

T

Xn×T＝[x(t1),x(t2),…,x(tT)]，x(ti)＝[x1,x2,…,xn]，其中：ti为采样时刻，x(ti)为量测数据构成的列向量，n为量测数据种类，Xn×T为大数据分析的数据源，

将量测数据按照时间顺序采样，不同种类的量测数据具有空间特性，将二者结合起来则构成具有时空特性的数据源；

2)数据分析及处理

表征风电场状态的变量众多，同时还受到电网和外界环境的影响，需要对步骤1)中的数据源处理：

①按步骤1)获取的数据源Xn×T＝[x(t1),x(t2),…,x(tT)]，将矩阵Xn×T进行标准化以得到标准Hermitian矩阵，使得各个指标具有可比性，②采用实时分离窗技术，确定窗口宽度，对矩阵Xn×T进行实时分析和提取，为了实现数据的实时分析，可以采用一种特定的分离窗获取生数据矩阵，称为实时分离窗：其中：Tω为实时分离窗窗宽；

3)风电场的状态评估

以平均谱半径为基础对风力发电机的状态进行评估：其中：RMSR为风电场平均谱半径，rMSR,i为风电场中i号风机的平均谱半径，n为风电场中风机的台数，

①计算步骤2)的②中所取时间窗口的样本协方差矩阵，②计算样本协方差矩阵的平均谱半径，③重复步骤2)的①和②，直到窗口滑动到当前时刻，④绘制平均谱半径趋势图，评估风力发电机的状态；

4)计及风电场状态的风电功率超短期预测为了更好的说明实现计及风电场状态的风电功率超短期预测，提出状态的延续的假设，预测模型采用BP神经网络，80％的神经网络模型采用BP神经网络或BP神经网络的变体形式：

PWP＝fNN(nwp,RMSR)，其中：PWP为风电场的预测功率，fNN表示输入输出的非线性关系，nwp表示数值天气预报信息，RMSR为风电场的状态，假设在时刻i预测i+1,i+2,…,i+16对应的风电功率；

5)仿真计算

仿真输入量：风电场所在地的NWP信息,15min间隔采样，风电场实测开机状态每15min间隔采样下的整场风电功率数据，用于风电场状态评估的数据源,15min间隔采样，根据步骤1)至步骤4)，得到整场风电功率实时预测结果；

6)误差分析

误差评价标准执行中华人民共和国国家能源局2011年《风电场功率预测预报管理暂行办法》中规定的准确率和合格率的要求，设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，Cap为风电场开机容量，那么，实时预测准确率定义为：合格率定义为：

其中若 则Bk＝1，若 则Bk＝0按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准进行误差计算，给出该计算方法的预测准确率。