风力发电作为主要的新能源发电的途径之一,因具有短建设周期,低技术需求,成本回收较快,产生污染较少等优点而被各国大力提倡。风电功率预测对于风力发电厂的运营和管理至关重要,准确的功率预测结果可以帮助风力发电厂进行日常运营决策,例如如何安排发电机组的启停、如何进行负荷调度等。为保证电能质量,减小风电并网对电网的影响,需要对风电功率预测的准确性有着较高的要求。本文在研读了众多国内外学者对风电功率预测的研究现状后,确定研究路线,寻找数据集来源及获取数据集,再用皮尔逊（Pearson）相关分析法分析各因素与风电功率的相关性,根据相关性确定使用的数据集中的相关参数。传统的反向传播神经网络可以用来做预测模型,但它存在精确度不高的缺点。为了提高风电功率预测模型的准确性,本文提出了一种基于优化海鸥算法改进的BP神经网络的风电功率预测模型。本文将Logistic混沌映射引入基础海鸥算法中,引入混沌映射可以使初始海鸥种群中的个体分布更均匀,对初始海鸥种群的位置进行随机扰动,可以避免算法陷入局部最优解。改变海鸥算法中海鸥个体的运动方式,使其从线性运动改为非线性运动,从而提高算法的收敛能力。利用改进后的海鸥算法寻找最优适应度个体作为BP神经网络初始的权值和阈值建立预测模型,可以大大提高BP神经网络的性能,将上述模型应用于大庆地区风电功率预测中,提高大庆地区风电功率预测的准确性。本文还对比了提出的改进海鸥算法优化BP神经网络模型与其他风电功率预测模型的结果,结果表明,本文提出的模型能够有效地提高风电功率预测的准确性,降低预测误差的波动性。