随着近几年国家生态文明建设要求的提高，节能减排成为全社会的重中之重，而其中最有效的方法就是大力发展可再生能源。风能作为一种绿色可再生能源，具有易开发、来源广等特征，但是由于气候、地理位置等原因具有很强波动性和随机性，这也是风能广泛发展的最大阻碍。随着电力市场的发展，提高风速的预测技术从而其提高并入电网的稳定性，才能使这种可再生能源具有更强的竞争力。
　　本文将变分模态分解、相空间重构和风速预测研究中典型的线性、非线性模型结合起来，提出VMD-PSR-(ARIMA,BP,PSOLSSVM)-PSOLSSVM短期风速预测模型，简称ARIMA-BP-PSOLSSVM组合优化模型，主要贡献为数据处理方法和预测模型组合方面。该模型首先进行数据预处理，运用变分模态分解(VMD)对原始风速数据进行模态分解得到一系列能代表原始数据信息且更加稳定的分量和一个残差项。相空间重构(PSR)对VMD分解的结果和残差项进行重构来确定各个分量在人工智能预测模型中的输入输出矩阵。模型的有效组合可以很好的解决模型选择和数据提取信息片面问题，本文选取不同的模型分别对同一风速进行短期预测后，再将其进行组合优化来提高预测精度和稳定性。即利用典型的线性模型差分整合移动平均自回归(ARIMA)和原理不同的典型非线性模型：反向传播神经网络(BP)和粒子群优化的最小二乘支持向量机(PSOLSSVM)分别对统一数据进行短期风速预测。最后选取了PSOLSSVM方法作为非线性组合方法对三种单独预测模型的预测结果进行组合优化，具体方法就是将ARIMA、BP、PSOLSSVM这三种单独预测方法的预测结果作为PSOLSSVM的输入进行二次预测，从而将单独模型的预测结果取长补短达到组合优化的目的。所提出的组合优化模型应用在承德围场风电场的两个波动较大的数据集中，并与其他八个模型的预测结果进行了误差对比分析和方法改进分析。分析的结果验证了本文所提模型无论是从预测精度还是预测稳定性方面都具有其他分解方法、单独预测模型或其他组合方法无法比拟的优越性。
　　风能的大规模开发是全球能源转型方向的大势所在，短期风速预测有效性的提高便于风电场调控风机运转个数和运行成本，利于制定风机维修计划，还有利于调度部门及时调整计划来减轻风能对电网的冲击。本研究所提出的组合优化模型可以有效、稳定地对短期风速进行预测，从而对风能的发展和电网的调度产生积极影响。