风能是一种优秀的能源,短期风速预测有利于风电场稳定、安全和高效地获取风能。风电场是获取风力资源的重要场所,其运行过程中容易受到短期风速波动的影响,进而影响其稳定性和转换效率。集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)是一种自适应分解算法,该方法降低了分量间的相互干扰,其组合常被用于对风速的预测中。全文以EEMD为核心,完成了风速预测的研究工作,论文的主要内容如下:首先,研究了国内外风速预测和经验模态分解的研究现状,整理了时间序列的基础理论及两种分析方法:传统时间序列法和神经网络法,详细介绍了自回归平均滑动平均模型(ARMA)和BP神经网络在短期风速模型的具体建模方法和步骤,阐述了EEMD分解算法基本原理及对应的基于EEMD的短期风速预测的基本思路。其次,针对传统EEMD-ARMA模型预测精度不高的问题,提出了EEMD-KF-ARMA模型。该模型通过ARMA模型获取了系统状态方程和观测方程,使用卡尔曼滤波(KF)算法对EEMD分解的每个子风速序列ARMA模型输出结果进行校正,相对于传统的ARMA模型,MSE降低了55.51%。MAPE减少了38.89%。第三,为了充分利用长短时记忆网络(LSTM)对时间序列的处理优势,提出了一种LSTM与EEMD相结合的模型EEMD-LSTM。该模型首先通过EEMD分解将风速序列分解为若干个风速子序列,然后对子序列分别应用LSTM方法获得子预测结果,最后通过线性叠加子预测的方式得到最终的预测结果。实验表明,相对于传统的EEMD-ARMA组合模型,MSE减少了68.18%,MAPE降低了53.13%,是一种有效的EEMD预测组合。最后,为了进一步地提升预测水平,使用了重要分量简单平均改进方法改善了原有的EEMD-LSTM模型。首先定义EEMD子预测模型的重要分量概念,分量值越大说明其改进空间越大,对重要值较大的分量应用了简单平均法进行改进,改进的EEMD-LSTM模型优于原EEMD-LSTM模型,通过实验,改进后的EEMD-LSTM的比原EEMD-LSTM的均方误差降低了23.41%,而MAPE降低了25.36%,说明了重要分量简单平均方法的有效性。综上所述,本文提出的改进EEMD-LSTM模型是一种精度较高的模型,对于短期风速预测水平的提高具有积极意义。