自18世纪第一次工业革命以来,人类对能源的消耗呈现出急剧增长的趋势。化石能源的大量使用对于环境也产生巨大的影响,世界各地的极端天气也频繁出现。不仅如此,石油、煤炭类似这样的化石资源在世界的区域内并不是平均分布,石油价格被少数几个国家控制,致使全球能源市场的不稳定因素增加。能源属于国家的战略性资源,一国对于能源的供需决不可受制于国际能源市场。由于化石能源的不可再生性,以及对于环境造成的巨大危害,清洁绿色的可再生能源成为众多专家学者研究和开发的重点。而风能在可再生能源中占有很大比重,整个世界的风能1300亿千瓦左右,比世界上能够发掘使用的水能源总的数量多十倍,由此可见风能的绝对量是十分可观的,风能在现代能源结构中发挥着重要作用。而风速对于风能的预测有重要的价值,近年来,许多专家和学者一直致力于风速预测模型的研究。然而,许多风速预测模型没有考虑到数据预处理、参数优化的重要性,忽略了单一模型的预测精度差、稳定性差的局限性,从而导致预测结果不佳。由于以上原因,本文提出了一种基于数据预处理技术、参数优化和线性及非线性的组合模型,旨在提高短期预测的精度以及稳定性,组合模型的预测结果可用于风能的调度和管理,使得风能得以充分利用,从而使得风电场经济的效益最大化。所提组合模型的结构框架可分为三个部分:数据预处理、参数优化、模型预测与结果检验。在数据预处理部分模型采用新颖的集合经验模态分解方法对实验数据进行去噪处理。参数优化部分采用粒子群优化算法、蝙蝠优化算法、交叉验证法分别优化单个支持向量机、BP神经网络、广义回归神经网络的参数。模型预测与结果检验部分运用山东蓬莱风电场的风速数据进行短期风速预测实验,本文所提出的组合预测模型与传统的单个支持向量机、BP神经网络、广义回归神经网络、差分自回归移动平均模型结果进行对比分析,实验结果表明:本文所提出的组合模型克服了单一模型预测精度较差、稳定性较差的缺陷,提高了风能预测的精度及稳定性,为风能的调度与管理提供了技术基础。本文的研究具体可以分为四个部分:第一章阐述了风速预测研究背景及研究意义,国内外研究现状及评述,创新点和不足。第二章介绍了模型的相关理论。模型采用的数据预处理方法是集合经验模态分解法。模型优化方法有粒子群模型优化算法、蝙蝠模型优化算法、交叉验证法。相关的模型理论包括支持向量机、BP神经网络、广义回归神经网络和组合模型理论。第三章采用集合经验模态分解法对实验数据进行去噪处理,将预处理过的数据输入组合模型中进行计算并得到预测结果,并运用山东蓬莱风电场机组数据对本文提出的组合模型进行实证检验,与传统的单个预测模型结果进行对比研究本文所提的模型无论在稳定性还是精度方面都表现最优。第四章阐述了本文的研究对于风能预测,能源管理,能源调度的意义。第五章是未来的研究思路和研究方向。本文的创新点有:提出一种新颖的组合模型,它结合了集合经验模态分解技术、高级的优化算法和四种预测模型,即BP神经网络、广义回归神经网络(GRNN)、支持向量机(SVM)和自回归移动平均(ARIMA)模型。所提出的组合模型成功的对上述四种预测模型的优点进行了综合,进一步提高风速预测的精度和稳定性。虽然本文所提模型在风速预测精确度和稳定性方面取得些许突破,但此次研究仍然存在不足之处。本文的不足有:一是所提组合模型着重考虑了统计模型与神经络模型在风速预测中的应用,其他风速预测方法,如空间相关模型,物理模型等并没有涉及。二是本文对风速的预测仅仅做了风速的单步预测,今后还可以考虑做多步预测的研究,进一步改进模型预测精度。