对风电场输出功率的短期预测被普遍认为是增加风电接入容量、提高国家电网系统运行安全性和经济性的有效手段,是风力发电的热点研究问题之一。风电场输出功率与风速等多种气象要素有关,很难用一定的数学表达式来描述。在以往的风电功率短期预测模型建立上,研究者习惯于采用历史实测数据进行研究,然而在实际情况下,往往缺少实测数据只有预报数据,因此利用历史实测数据所建立的模型应用到实际的风电功率短期预测中是不合理的。针对这一问题,本文采用数值天气预报(NWP)数据进行预测模型研究。本论文主要进行以下三个方面的工作：(1)首先利用BP神经网络建立风电功率短期预测模型,然后针对BP神经网络连接权值和节点阈值选取的盲目性和随意性,容易陷入局部极小值导致预测结果的不稳定问题,利用遗传算法(GA)和粒子群算法(PSO)全局性搜索的优势来优化BP神经网络,建立GA-BP和PSO-BP风电功率短期预测模型。实验结果表明,优化后模型的预测精度高于单一BP神经网络模型的预测精度。(2)为了进一步提高风电功率短期预测的精度,反映不同天气变化情况和机组状态,消除季节变化以及极端天气情况对预测结果的影响我们按月份建立风电功率短期组合预测模型。将GA-BP和PSO-BP两种方法的预测结果赋予一定的权重系数,并且组合在一起形成风电功率短期组合预测模型。大量验证实验表明,组合预测模型的预测精度更高。(3)数值天气预报数据存在缺省或者异常的情况,以往多采用插值法或者替换法进行处理。但是如果缺省和异常数据较多,时段较长利用上述方法所得到的数据显然是不准确的。针对这一问题,本文采用组合预测神经网络方法对缺省和异常数据进行处理。