面对传统化石能源快速枯竭和环境日益恶化等问题,绿色清洁的可再生能源在世界范围内受到广泛关注。其中风能作为一种重要的可再生能源,具有储量丰富、分布广、清洁无污染等优点。风能系统的规划,调度,维护和控制依赖于可靠的风速预测,因此,提高风速预测的精确度,对电力系统调整调度计划、减少备用容量、降低运行成本、提高电能质量起到十分关键的作用。风具有很强的随机性、间歇性与波动性等特点,原始风速序列中包含的非线性特征,增大了模型预测的难度。因此,为处理风速数据的非平稳性,许多研究在预测之前,使用多种不同的信号分解技术对原始数据进行预处理,可以在一定程度上提高预测精度。然而进一步研究发现,数据分解预处理在对原始数据进行分解处理时,并不能完全挖掘原始风速信号的特征,意味着单一信号分解方法在处理复杂风速序列时存在一定的局限性,因此,仍存在较大提高风速预测精度的空间。针对上述问题,本文研究主要从以下几个方面展开:1)风速的非线性变化特征增加了风速预测的难度,所以深入掌握风速的变化特征,对风速的准确预测至关重要。本文对风的形成、风速特征、风速数据采集以及风速与风功率之间的关系进行了分析研究,为后续的工作打下基础。2)研究了不同类型的风速预测模型,详细地分析了风速常用预测模型并指出相关预测模型的优缺点,对不同风速预测方法理论及建模步骤进行了详细说明。3)针对以往风速预测模型存在的问题,提出一种基于多级分解预处理和鲸鱼算法优化极限学习机的组合预测模型。第一步,利用经验小波变换(Empirical Wavelet Transform,EWT)将原始风速序列分解为一系列子序列,利用获胜者理论(Winner method)选择误差最大的子序列。进一步通过变分模式分解对最大误差的子序列进行二次分解,降低分解序列中非平稳性,从而提高模型预测的准确性。最后,使用经过鲸鱼算法优化的极限学习机来预测所有分解模式(Mode)和变分模式(Vm)。为评估提出模型的预测能力,本文采集了宁夏三个不同风电场的风速数据。选择基准模型、现有的单一模型以及传统组合模型用于模型预测对比,通过四种误差系数评估结果表明,与传统模型相比,本文建立的模型具有更高的预测精度,表明提出的模型具有很强的数据挖掘能力和优越的预测性能。