风电是资源潜力大、技术基本成熟的可再生能源，在减排温室气体、应对气候变化的新形势下，越来越受到世界各国的重视。近年来，风电场的建设规模越来越大，而风速预测对电力系统运行具有重要意义，准确的风速预测可以降低风电并网的备用成本:另一方面风速预测误差随预测时间长度的变化规律对确定电力市场环境下的不同时间段的最优备用容量有重要影响;而传统辅助服务最优备用成本确定没有考虑风电预测误差的影响。本文对以上几个方面的问题做了针对性研究。　　 首先研究风电场风速的单步预测。每次输入的都是已有的5个历史真实值，预测接下来的一个值。我们分别用BP神经网络模型和RBF神经网络模型对风速进行预测，然后进行组合预测。本文第一次将BP神经网络模型和RBF神经网络模型的协方差优选组合模型应用到风速预测领域中来。通过利用MATLAB对算例进行编程并对结果进行出图对比，得到了风速预测值曲线，经过预测值和实际值的对比，证明BP神经网络模型和RBF神经网络模型的协方差优选组合模型能够有效提高精度。　　 其次首次利用SVM理论对风速实现多步预测。第一次输入4个历史真实值，得到一个预测值。然后剔除4个数据中的第1个数据，引入新的预测值作为最后1个输入数据和原来的3个数据一起作为新的输入层的输入，得到新的预测值，再做上述循环，实现多步预测。通过算例定量分析随着时间长度的增加，误差叠加后造成的预测误差如何变化。通过对不同时间段误差的确定，我们为含有风电的电力市场环境下电网公司在不同时间段应购买的备用容量提供了依据，而不是各时段统一购买相同的备用容量。　　 最后研究了在电力市场环境下，风电并网后预测误差的大小与辅助服务中备用容量的关系。通过考虑机组事故、风电功率预测偏差以及负荷预测偏差计算风电接入后的最优备用成本，并附带计算在考虑机组事故以及负荷预测偏差的情况下的无风电系统最优备用成本，以方便对两者进行比较。从而量化了风电接入对最优备用成本的影响，方便电网公司对风电企业收取额外的备用支出。本文首次提出对有风电系统和无风电系统的最优备用成本进行比较来量化风电接入后备用成本增加值的方法。