风能是至关重要的低碳能源,它使得可持续能源供应的实现成为了可能。而且,在某种程度上,它还是构成智能电网基础设施的关键部分。然而风的不稳定性和随机性等不确定因素极大的阻碍了风力发电的大规模应用。因此,对风速预测模型的精度和性能要求越来越高。单一模型已经不能满足现有的需求,更多的组织或机构开始将研究方向转移到组合模型实现的多步向前风速预测。同时,如何根据不同模型的优点选择子模型构成组合模型,并分析子模型对组合模型的影响也顺势成为迫切需要解决的问题。本文提出了一种新型的关于风速多步向前预测的组合算法SMSGECSEP,因其组合了奇异谱分析、滑动窗口机制实现的多步向前预测、广义回归神经网络、Elman神经网络、级联BP神经网络、回声状态网络、模拟退火算法和粒子群优化算法。该方法首先使用奇异谱分析方法处理原始的风速数据序列,将序列中的噪声信息去除;其次使用滑动窗口模型分解原始数据和降噪数据分别获得多步向前预测的输入向量序列和输出向量序列;然后分别使用SA优化的GRNN模型(SA_GRNN)、SA优化的Elman模型(SA_Elman)和SA优化的级联BP(SA_CBP)这三个子模型对分解后的数据进行预测;最后使用PSO优化的ESN模型(PSO_ESN)对预测结果进行组合。SA和PSO分别被用于优化相应模型的重要参数,提高相应算法预测精度,最终整体提高组合算法的精度。通过对美国国家风力技术中心M2塔的80m每分钟的平均风速数据进行预测模拟,通过预测结果分析每个子模型和组合模型的预测性能,证明了本文提出的组合方法有助于提升风速预测的精度。另外,还通过对不同程度降噪数据的预测模拟,对SSA的降噪性能做了研究,发现50%降噪时,算法取得整体最优且稳定的降噪效果。