随着社会发展能源需求越来越大,化石能源的枯竭不可避免,环境恶化问题也日益突出,急需大力开采低碳、可再生的能源解决能源问题。风能作为一种低碳的可再生能源,近年来得到了广大关注和发展。但是风电的大规模并网,会给电网的平稳安全运行带来较大的影响,因此有必要对风电功率进行预测。短期风电功率预测也可以给电网调度和控制提供依据,有效减小风功率对电网的影响,增加电网的安全性、稳性定和可靠性,所以对风电短期功率预测的研究是必要的。本文首先概述了风速与风电功率预测的关系,以及风电功率预测的不同分类方法。接着对某风电场的原始数据进行分析处理,利用小波神经网络、Elman神经网络、支持向量机三种常用单一算法进行风电场短期功率预测模型和仿真,对比分析不同算法之间的优缺点以及预测结果进行误差分析,实验结果表明,三种单一模型中WNN网络模型的预测效果相对较好,为了进一步提高风电功率预测的效果,然后利用鸡群算法(CSO)以及ICSO算法对WNN网络进行优化,建立CSO-WNN和ICSO-WNN功率预测模型,并进行仿真分析,通过对比预测结果和误差,证明鸡群算法鸡群优化算法(CSO)具有较好的全局收敛性和计算鲁棒性,能够更快的找到全局最优解的优点,有效的提高了预测精度,而且ICSO-WNN组合预测模型的预测精度比CSO-WNN模型的高。最后提出了一种基于深度学习的组合预测方法。该方法是以深度置信网络为基础,通过改进鸡群算法对深度置信网络进行优化,在通过Kalman网络对参数进行反向微调,建立基于ICSO-DBN-Kalman的组合预测模型,通过训练结果和误差分析表明该组合预测模型可以提高风电功率预测精度,具有一定适用性。