为了应对风电的随机性、间歇性和波动性，系统在运行过程中必须要留有足够的调峰容量和备用电源，当风电出力不足时，保证能够正常向用户供电，但这必将增大系统的备用容量；另一方面，在风电出力大、而负荷不足时，为了保证正常供电，我们又必须控制火电机组出力，这使系统的运行成本大大增加，同时给系统的安全性、稳定性带来隐患。因此，伴随着越来越多的风电装机容量，电力系统将会越来越重视功率预测这一模块。本文利用神经网络和时间序列两种方法，主要对NWP风速和功率进行预测。1．研究BP神经网络算法及其基本原理，首先分析NWP数据，利用BP神经网络建模，对功率影响最大的风速序列进行修正。利用神经网络的自主学习功能，把历史NWP风速作为输入，相应时间段测风塔风机测得的实际数据作为输出，训练神经网络以得到BP神经网络的修正模型。然后根据现有的NWP数据，预测下一时刻的NWP风速。应用该方法对某风电场提供的实测数据进行预测，证明所建模型适合对NWP风速进行预测。2．研究时间序列及时间序列预测的分析方法，分析时间序列模型的建模流程和原理。采用时间序列方法对风电功率序列进行建模并进行相关计算。选用某风电场提供的实测功率数据，对数据进行差分处理并建立ARIMA模型，对风电功率进行预测。3．结合时间序列和神经网络两种方法，对功率进行预测。首先，根据历史功率建立时间序列模型，确定模型的阶数。然后，利用历史功率值和由BP神经网预测得到的下一时刻的风速值建立预测方程。方程中的未知参数利用最小二乘法来确定。根据算例结果分析，加入NWP风速值后的预测结果更为接近真实值，其预测精度更高，拟合效果更好。