智能电网的快速发展使微电网与传统大电网并网的分布式能源并网技术成为当前的一个研究热点。风能和太阳能都是“取之不尽,用之不竭”、环境友好型的可再生能源,受到越来越广泛的重视,并成为发展速度最快的新型能源。但是风能和太阳能都具有不稳定、间歇性和不可控性等特点,给微电网与传统电网的并网运营带来很多挑战,同时也对电力系统的安全、稳定运行以及电能质量带来严峻威胁,从而限制风能发电及光伏发电的发展规模与前景。解决这些问题的关键是能精确对一段时间内微电网的发电功率进行提前预测。在此背景下,本文选择风电和光伏发电的短期发电功率预测作为研究内容。本文首先对已有的风电及光伏发电功率预测方法进行归类总结,并分析各类方法的优缺点。其次,基于经验模态分解和神经网络技术分别为风电功率和光伏发电功率构建短期预测模型,进行提前一小时的发电功率预测。对于风电功率预测模型,首先利用经验模态分解将原始风电功率信号分解为多个本征模分量和一个剩余部分,然后对这些分量分别构建基于径向基函数神经网络的预测模型,最终聚合所有分量的预测值得到风电功率的预测结果。对于光伏发电预测模型,同样利用经验模态分解将原始发电功率信号分解为多个本征模分量和一个剩余部分,然后对这些信号分量分别构建基于遗传算法-BP神经网络的预测模型,最终聚合所有分量的预测值得到光伏发电功率的预测结果。针对BP网络传统训练算法存在的不足,创造性地提出将自适应遗传算法与误差反向传播算法相结合的混合算法来作为BP网络的学习算法。在此基础上,对浙江省电力试验研究院提供的试验数据应用本文所构建的预测模型进行分析验证,结果表明本文所提出的短期发电功率预测模型具有较高的预测精度和鲁棒性,验证了预测方法的有效性。