国民经济可持续发展要求国家进一步深化能源结构改革,扩大可再生能源规模。风能作为一种重要的清洁能源,近年来发展迅速。然而风电固有的间歇性、随机性和波动性的特点给大规模风电并网的安全调度和平稳运营带来挑战。风电功率预测技术能够预测未来一段时间风电机组的输出功率情况,能够为控制人员保障电网平稳运行提供有效依据,且有助于降低风力发电成本,为提高风电并网规模创造条件。因此,风电输出功率预测技术是国家电网安全调度与平稳运行的关键,提升风电功率预测的精度具有重要的意义。为了提高风电输出功率预报的精度,改善现有神经网络模型训练效率,本文首先分析了影响风机出力的主要因素和风力发电的主要特点,然后以云南某风电场的单台风电机组历史数据为例进行了仿真试验,对比了BP、ELM和RBF三种神经网络对风电功率预测的准确度和学习效率。通过遗传算法和主成分分析法对传统BP神经网络风电功率预测模型进行了优化。通过遗传算法改进了BP神经网络的初始权值和阈值,再运用主成分分析法降低了数据维度,在保证精度的前提下,使机器学习训练效率相比传统BP神经网络有所提升。最后,利用仿真试验表明,经过优化的BP神经网络较传统BP神经网络有着更佳的精度、模型稳定性和训练效率。