项目基于风电出力随机波动性大的问题，提出了模式分解和人工智能预测技术结合风电发电功率预测新方法，可有效提高新能源出力的预测精度 ，其中项目提出的二次模式分解方法有效解决了经验模式分解中困扰学术界多年的 I MF1 问题， 大大降低了风电预测的难度，具有很好的科学性、先进性、创新性。 提出针对复杂多变的天气因素，建立基于纵横交叉算法优化神经网络的分布层级式负荷预测模型 ，提出了一种适于大规模神经网络的新型 训练 学习方法，一方面解决了传统神经网络优化方法容易陷入局部最优，泛化能力不强的问题，另一方面 ，分布分层的技术方案在颗粒度更细的层面上实现了更为精细建模，从而大大提高了预测精度，具有科学性、先进性和创新性 。针对国内地区电网短期负荷预测系统中提供的预测模型大多是静态的，缺乏针对不同地区电网负荷个性的动态自适应能力，建立具有动态自适应能力的基于虚拟预测技术的组合预测新模型。上述成果利用虚拟预测和信息熵理论解决了集成学习中不同预测模型权系数的动态自适应选择问题，具有很好的科学性、先进性和创新型。