随着全球风力发电的快速发展,风电在电网中所占的比例越来越大。但由于风的间歇性和随机性特点,使得大规模的风电接入对电网的安全、稳定以及电能质量带来严峻挑战,因而限制了风电的发展规模。对风电场的输出功率进行准确的预测是解决此问题的有效途径之一,借助预测结果,有利于电力调度部门及时调整调度计划,优化系统运行,同时还可减少电力系统的备用容量和运行成本。因此,对风电功率进行预测具有十分重要的意义。在此背景下,本文选择风速和风电功率的短期预测作为研究内容,运用多种方法对短期风速和风电功率预测进行深入的研究。首先,将时间序列和神经网络理论引入到风速预测模型中,分别建立了差分自回归滑动平均(ARIMA)预测模型和BP神经网络预测模型。并在ARIMA模型的基础上,提出了自回归条件异方差(GARCH)和聚类ARIMA两种改进模型；在BP神经网络的基础上,引入遗传算法(GA)和粒子群算法(PSO)对BP神经网络的初始权值和阈值进行优化,分别建立了GA-BP预测模型和PSO-BP预测模型。然后,通过算例分析对每种模型的预测效果和特点进行总结。为了进一步提高风速预测的精度,引入组合的思想,对上述单一模型预测值进行组合得到风速的组合预测值。最后,运用风电功率曲线,将风速的组合预测值转换成风电功率的预测值。通过以上对风速和风功率预测问题的研究,运用时间序列和神经网络理论进行了较为深入的模型探讨,并进行了数据处理以及数值计算,可以发现模型的改进以及数据的处理,是有助于提高风速和风电功率预测精度的。