辽阔的国土和多样的地形地貌赋予了我国丰富的风能资源。近年来,随着国家能源战略的调整,风力发电前景广阔。准确快速的实现风速预测对于改善风电质量,保证电网安全稳定运行意义重大。为了改善当前风速预测方法中在数据筛选和变量选择策略上的不足,实现多传感数据融合,并依托现有模型进一步提高风速预测模型精度,本文基于华北某风电场SCADA历史数据进行了多模型风速预测研究。内容具体如下:为了解决风场SCADA历史数据中存在异常值的问题,采用基于风速-功率特性曲线的四分位法风场大数据辨识策略,通过连续使用两次四分位法,对隐藏在风场大数据中的“离群点”进行有效清洗,提高了数据质量。考虑到风场SCADA历史数据中记录项数据冗长的问题,提出了一种基于随机森林算法和最大信息系数算法的组合变量选择策略,对四十余项变量进行相关性分析。该方法有效提高了变量筛选结果的可靠性,降低了模型输入变量维度,为建立风速预测模型奠定数据基础。为了提高单一人工神经网络模型预测精度,建立了一种采用天牛须算法优化的BP神经网络（BAS-BP）风速预测模型。通过对三个在时间维度上不连续的测试样本进行仿真,并与单一BP模型、遗传算法优化的BP模型（GA-BP）和粒子群算法优化的BP模型（PSO-BP）进行对比,验证了BAS-BP风速预测模型的优越性。为了进一步提高风速预测模型精度,在BAS-BP浅层网络的基础上,利用受限玻尔兹曼机（RBM）强大的数据特征提取能力,建立了一种基于深度信念神经网络（DBN）的风速预测模型。不断优化并调整模型结构参数,通过对在时间维度上不连续的三个测试样本进行仿真,检验模型预测性能。最后,基于风场实际数据进行了验证,结果表明在三个测试样本上,DBN风速预测模型的MAPE、RMSE和MAE指标均优于BP、GA-BP、PSO-BP和BAS-BP模型,且在三个测试样本上DBN模型预测精度波动最小。这表明DBN风速预测模型预测精度更高,泛化性能优势明显。