随着国民经济的快速发展、污染程度的持续加重以及我国节能减排经济发展战略的提出和实施，风电已经成为可再生能源的一个重要组成部分，同时风电并网技术及其相关理论已经成为重点关注和投入的重大科学技术攻关领域。风是风力发电机组的动力，由于风本身的特性及发电原理决定了风力发电的输出具有波动性和间歇性，因此风电并网后会对电力系统造成极大的影响。风功率预测对风电并网及电网安全运行起着至关重要的作用。为了提高短期风功率预测的准确度，在深入而系统地研究风电场输出功率时间序列的基础上，针对时间序列特性建立混合神经网络预测模型。在深入研究风电场输出功率时间序列的时频特性的基础上，建立了基于改进Hilbert-Huang变换的混合神经网络风功率预测模型。该模型对风电场输出功率时间序列采用聚合经验模态分解，并引入Hilbert-Huang变换得到刻画各本征模态函数瞬时频率的Hilbert谱，并以此确定RBF神经网络的输入元素。经东北地区某风电场实测数据验证该预测模型有效可行。深入研究风电场输出功率时间序列的时频局域化手段，建立了基于小波变换的小波混合神经网络风功率预测模型。该模型将小波变换作为对输出功率时间序列的前置处理手段，并由此确立小波神经网络的拓扑结构及隐含层的激励函数。经实测数据验证，该模型预测性能良好，尤其对未来长时间的预测能力强。在深入研究风电场输出功率时间序列的非线性动力学特性的基础上，建立了基于相空间重构的混沌混合神经网络风功率预测模型。通过计算Lyapunov指数验证风电场输出功率时间序列的混沌性，确立最优延迟时间和最佳嵌入维数进行相空间重构，并以此确定混沌神经网络的拓扑结构，最后采用处理后的实测数据对模型进行训练，使之具有预测功能。采用东北地区风电场为实例，结果表明：该预测模型具有较强的预测能力，在对功率输出波峰波谷时的预测性能高，但对未来长时间的预测表现欠佳。通过实例对比三种风功率预测模型表现，针对各模型优点及缺点，采用BP神经网络作为信息融合的手段，建立了基于以上三种预测模型的混合神经网络预测模型。经实测数据验证，混合神经网络发挥以上三种预测模型的优势，且有效改善了原有模型的缺陷，混合神经网络技术可以提高风功率预测的准确度。