高精度的风电功率预测对电力系统的安全稳定运行至关重要。针对风电数据输入特征维数高、神经网络超参数选取困难的问题，提出了一种基于数据特征提取和超参数优化的短期风电功率预测方法。首先，分别使用Pearson相关系数(Pearson　correlation　coefficient,　PCC)、灰色关联分析(Grey　relation　analysis,　GRA)和随机森林(Random　forest,　RF)分析风电数据中各影响因素与风电功率之间的相关性，提取最佳输入特征，降低输入数据维度，并与加入注意力机制(Attention　mechanism,　AM)模型对比验证了输入特征提取的可行性；其次，采用麻雀搜索算法(Sparrow　search　algorithm,　SSA)优化长短时记忆(Long　short-term　memory,　LSTM)神经网络的超参数，选取最优参数；最后，以风电场实际数据对本文模型进行验证。结果表明，本文模型可以有效剔除冗杂信息，降低输入数据维度，提高预测精度。