随着清洁能源概念的普及,风力发电因其资源丰富、技术成熟、利用效率高等优势逐渐成为主要的发电方式之一。但由于风的间歇性、不确定性以及大规模风电并网危害电力系统安全稳定性问题的日益突出,因此精准的风电短期功率预测技术起到极其重要的作用。功率预测能够让电网工作人员安排更加合理的调度计划,准确地做出启停机判断,使更多风电得到消纳。为此,本文的研究主要围绕如何提高风电短期功率预测的精度展开。首先,概述了国内外关于风电短期功率预测的研究方法及分类方式,介绍了风电功率预测的流程、理论基础,对风电运行参数进行了分析。将风场采集的数据进行六次多项式拟合,结果符合风速-功率曲线,为接下来的数据清洗提供了理论基础。其次选用了BP神经网络、Elman神经网络、小波神经网络三种典型的浅层神经网络对风电场短期功率预测进行建模与仿真分析,对比了三种神经网络的预测效果及误差。利用灰狼优化算法对三种模型的参数进行优化,将单一的浅层预测模型与优化后的模型进行仿真对比,通过预测效果及误差分析得出,基于灰狼优化后的浅层神经网络预测模型的预测值更加接近真实值,证实了灰狼优化算法可以提高功率预测的精度。再次,在浅层神经网络进行风电短期功率预测的基础上,提出了一种新型深层神经网络组合模型的预测方法。该方法以卷积神经网络为基础,利用灰狼优化算法对超参数进行初始化寻优,再通过BP神经网络对整个网络进行微调,引入预测偏差二次修正,建立了基于GWO-CNN-ec的组合预测模型。通过仿真分析得出,基于GWO-CNN-ec组合模型的预测曲线更加接近实际值,在高风速段时尤为明显。证明深层卷积神经网络组合模型对风电短期功率预测精度的提升有显著作用。最后对比了经灰狼算法优化后的深层、浅层网络预测效果,证实了深层神经网络组合模型在风电短期功率预测的方面具有更多优势。