随着能源需求的急剧增长,传统的能源已不能满足经济绿色发展的需要,利用可再生能源已经成为世界各国的普遍共识。风能以其低碳、可再生的优点,在世界范围内得到了广泛关注。然而,风电固有的随机性、波动性和间歇性可能导致风能输出的巨大波动,甚至对电网的安全性和稳定性造成危害。风电功率预测技术是解决风电不确定性负面影响的关键方法之一。近年来,随着大数据平台的建设和人工智能技术的发展,基于深度学习的风电功率预测已经成为一个热门的研究方向。反向传播(BP)神经网络具有执行速度快,鲁棒性强,有效学习能力强的优点,已被广泛用于许多研究和应用领域。BP神经网络非常适用于黑箱建模问题,近年来,深度神经网络在人工智能领域所占的比例越来越大,作为其中一种最常用的神经网络,BP神经网络引起了广泛关注。本文将基于真实风电场数据,对BP神经网络在风力发电预测中的应用进行探究。本文的主要工作如下:1)首先,研究数据清理方法,对采集得到的风电机组数据进行分析,并基于四分位法进行清洗,以建立有效的风电功率预测数据集。2)其次,提出了一种基于组合损失函数的BP神经网络风电短期预测方法。该方法结合了三种损失函数:均方差损失函数,交叉熵损失函数和排序损失函数。3)最后,在点预测结果的基础上对风电功率区间预测进行研究。探究了基于正态分布的参数统计方法和基于核密度估计的非参数统计方法用于风电概率分布建模。考虑到这两种方法的互补效应,提出了一种风电功率组合概率预测方法。