由于能源供应紧张和环境污染加剧,对清洁能源的研究受到了越来越多的重视。风是一种高品质的清洁能源,但因其不稳定的性质,风电的应用受到一定程度的限制。而风电功率预测是解决风电并网问题的重要途径。为了提高超短期风速预测的准确率和可靠性,根据“机理+辨识”预测策略将时间序列的k近邻预测算法扩展到空间相关性风速预测领域。以风向为标准优选被预测地点(本地)的上游地点,随后计算各个上游地点风速对本地风速的最优延迟时间。将本地最近的风速历史观测值,与按照最优延迟时间提前的上游风速观测值相结合,形成k近邻空间相关性预测的参考矢量。并以Pearson相关系数为标准,从风速的历史观测值中优选出该参考矢量的k个最相似的近邻。采用线性回归、偏最小二乘回归、最小二乘支持向量回归、BP神经网络、RBF神经网络、广义回归神经网络和随机森林共7种回归模型,对本地的未来风速进行预测。以荷兰的Huibertgat为被预测地点,对其冬季时期风速预测的仿真表明:线性回归、偏最小二乘回归和最小二乘支持向量回归是比较优化的回归模型,优化的k近邻数量选择在100左右,并且采用近10年的历史风速预测效果较好。算例分析结果表明:k近邻空间相关性风速预测,能够有效利用历史数据的相似性,给出可靠的超短期风速预测结果。