准确的风速预测在天气预报精度的提高、气象灾害的预警以及清洁风电的发展等方面至关重要。在风电领域,准确的短期风速预测可以让运营商对风电场的整体运行进行合理调控,维持稳定的供能并降低对电网的冲击。随着国内陆上风电场向低风速区逐步发展,越来越多的风电场选址在山地区域。由于地形变化等因素的影响,山地区域容易产生尾流效应并出现流动分离再附、剪切流等复杂的流动现象。因此,为了保障山区风电场的安全平稳运行,亟需发展准确预测短期风速的方法。针对以上问题及需求,本文进行了相关的研究工作,主要内容及成果总结如下:（1）提出了采用无信息泄漏数据预处理策略的单点短期风速预测方法。考虑到传统的组合预测模型普遍存在数据泄露问题,风速实测数据中也存在一定程度的噪音成分,本文提出了由有效信息筛选模块、基于模态分解原理的实时滚动分解模块以及结合注意力机制的双向长短期记忆网络（Bi-LSTM-Attention）预测模块三部分组成的短期风速预测方法,该方法规避了数据泄露的风险,并对噪音成分进行了有效处理。利用实测风速数据验证了该方法在单步及多步风速预测情况下的有效性,研究结果显示,该方法能在没有未来信息泄露的前提下实现对风速有效成分的准确预测,且该方法所采用的Bi-LSTM-Attention预测模块较传统神经网络精度更高。此外,探究了不同分解算法对该方法预测性能的影响程度,确定了适用于该方法的最优分解算法。（2）建立了能同时处理风速时空信息的多点风速同步预测神经网络模型。目前对于风速时空相关性的处理方式大部分仍采用时间与空间信息分开建模的策略,本文提出的时空风速预测模型融合了卷积长短期记忆网络（Conv LSTM）、残差网络（Res Net）以及1×1三维卷积各自的优点,能够同时提取空间多点风速之间的时空相关性,并利用四维时空风速数据开展多点风速风向同步预测的工作。本文利用理想三维山体的大涡模拟瞬态数据验证了该模型在理想山地地形、较小的测点间距情况下的时空风速预测性能。研究结果表明,该预测模型及其衍生模型能够实现高精度的时空风速预测,且局部误差的空间分布符合现实物理规律。（3）研究了复杂山地的风场分布特性并探究了复杂地形对时空预测模型性能的影响。本文采用CDRFG（Consistent Discretizing Random Flow Generation）方法生成了与风洞试验一致的风剖面,利用风洞试验数据验证了大涡模拟结果的准确性,分析了典型风向下平均风速、加速效应和名义湍流强度等物理量的空间分布规律。结果表明,复杂山地区域的平均风速、加速效应以及名义湍流度均极大地受地形变化所带来的影响。在此基础上,将本文提出的时空风速预测模型及其衍生模型推广到了复杂山地地形下,探究了上述模型在复杂地形下的适用性以及在空间上的局部误差分布规律。结果表明,在考虑更大的测点间距、更少的测点数量、更复杂的地形条件以及更弱的空间相关性等条件下,本文所提时空风速预测模型依然具有较好的适用性,局部误差呈现出明显的受地形影响的分布规律,说明复杂地形对时空风速预测模型的预测精度有一定程度的影响。