风能作为一种无污染可再生能源,受到了全世界的广泛关注。风力发电是当今利用风能的最主要技术之一,但风速较强的随机性导致风电具有间歇性,大规模风电接入电网会对电力系统的安全与稳定造成不利的影响。对风速进行比较准确的预测,则有利于电网调度部门及时调整调度计划,提高电力系统的安全与稳定。因此,对风电场风速的预测研究具有极其重要的意义。本文对风电场短期风速预测方法进行了深入的研究。针对传统高斯过程回归模型中用共轭梯度法对超参数寻优的不足,提出了一种改进的高斯过程回归模型,即用量子粒子群算法代替共轭梯度法对超参数进行寻优。并用改进后模型对风电场短期风速进行了预测,实例仿真表明,改进后模型的预测精度得到了提高。针对风速的非平稳性,提出了一种基于变分模态分解和改进的高斯过程回归的混合模型预测法。该方法首先用变分模态分解对风速进行分解,然后对分解后的各个分量别建立改进的高斯过程回归模型并预测,将各分量的预测值叠加得到风速预测值。为了更好的比较模型的优劣性,还建立了基于经验模态分解和改进的高斯过程回归的混合模型。仿真结果与误差分析表明,基于变分模态分解和改进的高斯过程回归的混合模型可以有效提高风速预测精度,证明了该预测方法的可行性,为风速预测精度的提高提供了新的思路。