利用风能代替化石能源进行大规模发电是我国当前能源结构转型中的重要一环,但是依靠风能进行发电存在着许多技术方面的难题。比如,风能的波动性会导致“弃风限电”问题的出现,“弃风限电”会降低风能的利用率,增加风电场的运维成本。风能的波动性甚至会威胁到风电在大规模并网时的安全性。针对风能不稳定性和波动性对风电系统的影响,本文构建了一种DWT-CE-BPNN模型对短期风电功率进行预测。首先,为了降低风电数据中的异常值对模型预测精度的干扰,本文利用四分位距法（Interquartile Range,IQR）和马尔科夫链-蒙特卡洛法（Markov Chain Monte Carl,MCMC）对数据集中的异常数据进行了剔除和插补。为了减少干扰信息对于风电功率预测精度的影响以及冗余变量对模型预测的开支,采用皮尔逊相关系数（Pearson Correlation Coefficient,PCC）对多种环境变量与风电功率的相关性进行了分析,选取与风电功率相关性最高的风速和气压作为模型的输入变量。接着,利用RBF神经网络、Elman神经网络和BP神经网络对短期风电功率进行了预测,然后根据预测的风电功率值和多种误差评价指标选择了BP神经网络作为基础模型,后续围绕BP神经网络建立模型。为了改进当前基础模型预测精度低,收敛速度慢等问题,本文构建了一种DWT-CEBPNN模型。首先利用交叉熵优化算法（Cross Entropy Optimization Algorithm,CE）对BP神经网络参数进行优化,然后利用离散小波变换（Discrete Wavelet Transform,DWT）将输入数据分解为不同频率分量后再利用CE-BPNN模型对分量进行预测。最后对预测结果进行叠加得到风电功率预测值,实验结果证明了DWT-CE-BPNN模型的有效性。最后,为了提升DWT-CE-BPNN模型的预测性能,本文对CE算法进行了改进。首先,在CE算法的基础上加入花朵授粉算法（Flower Pollination Algorithm,FPA）的全局搜索来增加种群的多样性,接着提出了一种选择变异操作来提升算法向全局最优值收敛的速度。实验证明改进后的CE算法能够有效提升模型预测的稳定性和准确性。