研究风功率预测,是更加方便、有效地研究和解决风电接入系统及并网运行的技术问题的基础,具有重要应用价值和学术意义。本文主要研究了基于神经网络的风电场输出功率预测技术。通过对神经网络的学习,选择了BP神经网络作为对风电场输出功率预测的训练模型,并对传统的BP神经网络进行了Levenberg-Marquardt改进,实际算例证明了改进后的神经网络模型对风功率的预测效果更加精准。本文首先阐述了本课题的研究背景及意义。在全球风电建设热潮中,中国风电建设无论在增长率还是占有率上都占有绝对优势,由于风电场当地局限性大,对全局的了解不够,从而导致已建成的风电场风功率预测预报系统精确度不高,误差常在20%左右。所以对于特定的风电场,进行有针对性的特性分析,并在此基础上进行风功率预测,是有积极意义的。其次,本文对神经网络技术进行了整体的阐述,在神经网络基本概念知识和特征方面进行了总结。然后,对BP算法的进行了整体描述,对BP算法流程进行了详细地推导,论述了包括神经网络权值的调整方法、参数选择等方面。考虑到BP算法的缺陷,推倒出Levenberg-Marquardt改进方法,用正弦函数对传统BP算法及改进后BP算法分别进行验证,证明改进后的算法无论在准确度还是在收敛速度上都有明显的提高。最后,对风电场进行BP神经网络建模,并通过Levenberg-Marquardt方式对其进行优化。观察不同的网络结果,得出结论优化后的BP神经网络对风电功率的预测更加精确。