随着我国能源结构和能源利用都向着绿色和高效转变,高比例的新能源电力系统成为未来的发展方向。风力发电是新能源发电的主要类别之一,在电网调度中,风电功率的不确定性成为了电网的扰动源,往往需要预留足够的调峰容量,所以风电功率的短期预测技术可以在一定程度上帮助电网避免风电机组的调度风险,为电网调度的决策起到辅助作用。本文对短期风电功率预测的神经网络方法进行了研究,具体内容如下:首先对当前的国际能源发展形势和方向进行了阐述,通过对现阶段风电场的技术原理和经济考核内容分析,说明了本课题研究的意义和背景。建立了以神经网络算法为核心的预测模型,根据风力发电功率特性曲线和发电原理总结出风电输出功率的影响因素,通过风速清洗和主成分分析法对预测模型实验数据进行预处理,在保证不影响预测精度的情况下减少模型计算量。其次对BP神经网络原理和训练过程进行分析,提出了一种利用改进粒子群优化算法（IPSO）对BP神经网络权值和偏置矩阵进行优化的预测模型,通过对PSO算法引入二阶震荡环节并设置多样的更新公式参数来提升粒子群算法的全局搜索能力,利用多维测试函数验证了改进粒子群算法的全局寻优能力,并且用改进后的粒子群算法对多个损失函数进行仿真实验,根据实验结果的误差分析对比,建立了一种采用Log-Cosh损失函数的IPSO-BP预测模型,以风电场的实际历史数据进行预测仿真,仿真结果验证了该模型的预测精度有所提高。最后对模型的预测结果进行分析,针对高风速区间和低风速区间预测结果的精度差异,提出了分段预测模型,根据对实际数据的多项式拟合函数求导的结果分析,确定了高风速区间和低风速区间拟合函数的差异性,并且确定了拐点,建立了采用Log-Cosh损失函数的IPSO-BP分段预测模型,通过仿真结果的误差分析,确定了分段预测的方法确实可行,而且整体风速区间内的短期功率预测精度更加平稳且准确。