大规模风电并入电网给电力系统安全稳定运行带来挑战,对风电场输出功率进行准确预测可有效解决上述问题。BP神经网络结构简单、可调整的参数多、训练算法也多、而且可操作性好,在短期风电功率预测中引起广泛关注。但BP神经网络是基于梯度下降法调整网络权值和闽值,这不可避免地存在学习时间长、易陷入局部极小点的不足,而且神经网络输入数据之间存在相关性会影响神经网络的泛化能力。本文建立了基于主成分——神经网络的短期风电功率预测模型。首先采用主成分分析法对原始输入数据进行处理,消除数据间的相关性,主成分处理后的数据用于神经网络建模；为弥补BP神经网络的不足,采用遗传优化神经网络的权值和阈值,优化结果作为神经网络训练的初始值；为缩短学习时间,采用Levenberg-Marquardt算法训练神经网络。用所建立的PCA-GA神经网络模型预测未来4小时、12小时、24小时风电功率,预测精度完全满足相关规范要求；经风电场现场实际数据验证表明,相对于GA神经网络预测模型、PCA-BP神经网络预测模型、SVM预测模型,本文所提PCA-GA神经网络算法预测精度有所提高,为短期风电功率预测问题的解决提供了一种有效的方法。本文基于Visual C++6.0开发平台及Access数据库,在Windows操作系统下开发风电功率神经网络预测系统,预测未来4小时、8小时、12小时功率值,操作简单,界面友好。