随着风力发电技术的不断发展，风电单机容量和并网型风电场的规模不断增加，在电力供应中所占比例也越来越大。为了保证风力发电系统稳定运行和供电系统的可靠性，必须对供电系统进行有效地计划和调度。而风力发电本身所特有的间歇性和不确定性，增加了对电网计划和调度的难度。如果能够对风电场出力进行短期预报，将使电力调度部门能够提前随着风电出力的变化及时调整调度计划，从而使电力供需达到平衡，同时还可以减少电力系统的备用容量、降低电力系统运行成本。如果预测精度达到一定的要求，还可以提高电力系统中风电最大装机比例，最终提高风电的竞争力。 本文首先对风电场短期预测系统国内外发展情况、系统的构成做了介绍，对当前的预测技术进行了概括，建立了一种基于小波分解和神经网络的风力发电预测方法。重点工作分为以下几步： （1）通过计算原始数据分解后奇异点的李普希兹指数，分析李普希兹指数和小波分解后的模极大值之间的关系，并结合小波选择的通用准则，选取合适的小波函数。 （2）利用选择的母小波对原始数据进行小波分解，找出各分量的模极大值，按照即兴搜索的原则找出模极大值线后，计算各条模极大值线对应的奇异点的李普希兹指数，找出原始风电功率中存在的不良数据，对原始数据进行修正。 （3）对修正后数据进行了小波分解，对高频和低频分量分别采用适应于该序列的神经网络模型，从而达到预测精度和建模效率的统一。 （4）采用小波模极大值重构中的交替投影算法，利用预测的高频模极大值和各级低频分量，重构波形，得到最终的预测结果。 （5）建立了动态预测模型，将之前的预测的结果加入到神经网络样本空间中，进行下一步预测，成功将上述方法应用到风电功率的预测。