准确的风电场功率预测,可以有效地减轻或避免风电场接入电网对电力系统造成的不利影响,同时提高风电在电力市场中的竞争能力。基于历史数据的方法只能用于超短期的风电场功率预测(1～6小时),对于0～24小时或者更长时间的0～72小时预测必须使用数值天气预报。本文借助数值天气预报,进行了基于神经网络方法的风电场功率预测中研究,主要工作包括：1.数据前处理方法的研究。对数值天气预报和风电场测量数据进行预处理并建立了比较完备的数据库,研究了数据的前期处理原则。2.风电场功率预测中神经网络算法的研究。首先对应用广泛的BP神经网络在风电场功率预测中的应用进行研究；然后考虑RBF具有擅长处理非线性复杂问题的能力,探索将其应用于风电场功率预测中。通过实例验证,比较了两者的优劣。结果表明RBF神经网络更加适合基于数值天气预报的风电场功率预测。3.影响风电场功率预测精度的主要因素分析。①数据的影响：输入变量和训练样本。②神经网络模型参数：BP神经网络模型中网络结构、隐层神经元以及权值和阈值的选取是构建模型的关键因素；RBF神经网络模型中隐节点数据中心、扩展常数和输出层权值的调节是关键因素。4.BP和RBF神经网络模型优化算法研究。用遗传算法对BP神经网络模型的权值和阈值进行了全局寻优；提出用正交最小二乘和梯度下降训练算法分别优化RBF神经网络模型。应用于实际算例的结果表明,经上述方法优化后的两种模型均提高了预测精度,尤其是正交最小二乘训练算法优化RBF模型预测效果更好。