随着我国风力发电事业的不断发展，风电在电力系统中所占的比重也越来越大。对风电机组输出功率进行预测及控制，对减少风电成本、提高风电在电力市场的竞争性及保证风电机组安全稳定运行有着重要的意义。本文对风机机组短期输出功率的预测模型进行了研究，提出了基于脊波神经网络的预测方法；同时对变速变桨风力发电机组的功率控制策略进行了研究，提出了基于神经网络优化的功率控制策略。论文的主要工作集中在以下三个方面：　　首先，针对风速信号强烈的非线性与奇异性、风速与功率之间的分散性，采用脊波神经网络建立短期输出功率的预测模型；同时，针对脊波网络结构复杂、可调参数众多的特点，采用混沌DNA遗传算法对网络的隐层结构进行寻优，采用粒子群算法对网络的方向向量与权值进行寻优。仿真结果表明，采用上述方法优化后的脊波网络预测精度大幅提高。　　其次，对变速变桨风力机组的运行特性进行了研究，根据运行特性划分运行区域，建立了变速变桨机组的数学模型；同时基于所建的数学模型对并网后的运行区域的功率控制策略进行了仿真分析。仿真结果表明传统的功率控制策略存在响应时间慢、超调现象严重等问题。　　最后，对额定风速下的转速控制策略进行优化，采用 GA-RBF神经网络综合学习风电机组状态参数，根据运行工况实现网络参数的在线调整。仿真结果表明，与传统的PID控制相比，本文提出GA-RBF神经网络控制器可适应风电机组强烈的非线性与时变性，系统的响应时间大幅减少且几乎不存在超调。同时，针对额定风速上频繁变化的工况，采用 GA-RBF神经网络控制器对额定风速上的输出功率进行控制；仿真结果表明，较之PID控制，GA-RBF神经网络控制器可具有较强的自适应能力，输出桨距角曲线要平缓的多，输出功率的误差大幅下降，系统运行的安全性大幅提高。