随着传统能源的不断消耗以及带来的环境污染问题,使用可再生能源已经成为了世界各国的共识。其中风能作为一种可再生且无污染的绿色能源,在全球范围内也得到了各国的关注,于是各个国家开始大力发展风力发电技术。但是,由于风电本身具有波动性和随机性的特性,使其输出的风能存在较大的波动性。当风电并入电网系统时,不仅限制风电并网的比例还会造成电网的不稳定带来安全隐患,这样也会限制风力发电技术的发展。利用风电功率预测技术可以实现对风电功率的准确预测,这样不仅提高了风电并网下电网系统的调度能力,还可以缓解由于风电随机性和波动性对电网的负面影响。目前,基于大数据平台使用人工智能技术是风电功率预测技术研究的一大热门。反向传播（BP）神经网络作为人工智能技术的典型代表,由于其较强的泛化能力和学习能力在风电功率预测技术上得到了广泛的应用。论文针对BP神经网络在作为风电功率短期预测模型时,由于模型自身结构的原因,而导致预测精度不高的问题,展开了深入的研究。论文在考虑到BP神经网络中各连接层之间的权值和阈值对该网络有较大的影响下,通过两种人工智能算法:遗传算法和粒子群算法,来优化BP神经网络的初始权值和阈值。利用两种算法良好的寻优能力,得到初始权值和阈值的最优解,从而达到提高网络的预测性能的目的。通过Matlab2018R软件对优化后模型的预测效果进行仿真分析,结果表明:通过遗传算法和粒子群算法优化后的BP神经网络模型,相对于传统BP神经网络的预测精度有所提高。考虑到遗传算法在寻优过程中存在丢失数据信息和缺陷,以及粒子群算法在寻优过程中存在过早收敛产生局部最优解的不足,提出了GA-PSO组合算法,通过在粒子群算法中加入遗传算法的选择操作、交叉操作和变异操作,提高了粒子算法的全局寻优能力。并通过GA-PSO算法优化BP神经网络的初始权值和阈值,搭建GA-PSOBP短期风电功率预测模型。对比利时某风电场的实测数据仿真分析,结果表明:GAPSO-BP神经网络短期风电功率预测模型相对于文中所提的其他预测模型具有更好的非线性拟合能力和更高的预测准确性。