随着环境污染、化石燃料短缺等问题的日趋严峻,可再生能源的发展得到了人们的重视,风能等可再生能源产业迅猛发展,风电在电网中所占比例越来越大。风具有波动性、间歇性、低能量密度等特点,使得风力发电也具有间歇性、波动性、随机性,大容量的风电并入电网后将会对电力系统的安全、电能质量和稳定运行产生严重的影响,为了解决这些问题,急需对风电场输出功率预测技术进行深入研究,对风电功率进行较为准确的预测。　　本文主要是对风电场的短期风电功率进行预测,对影响风电功率输出的因素进行研究,确定预测模型的输入向量为温度和风速。针对BP神经网络动态性能的不足、适应性较差的问题,提出了基于Elman神经网络的短期风电功率预测模型,在此基础上针对输入输出数据随时间和地域的多变性,提出了自适应Elman神经网络预测模型,对隐含层节点数自适应,使隐含层节点数能够随着训练集和预测集的更新不断地自我调节,网络能自动选取最优的隐层节点数来进行预测。应用功率直接预测方法,利用采集到的历史数据建立自适应的Elman神经网络预测模型、Elman神经网络预测模型和BP神经网络模型,用风速和温度数据作为预测模型的输入,对短期风电功率进行了预测,结果证明自适应Elman神经网络模型的预测精度高于Elman神经网络模型和BP神经网络模型的预测精度。