能源革命是社会进步的强劲推动力,大力发展可再生能源将带来不可估量的经济效益与环境效益。风能取之不尽,用之不竭,对环境没有污染且具有巨大的发电潜力,自二十世纪初以来人们对风力发电进行了不断的尝试,时至今日风电已在全球开花结果,在能源领域占有重要地位。但因为风速具有极强的随机性与波动性,风电的平稳并网很难实现,是其发展的巨大阻碍。高精度的风速预测则是解决上述问题的关键所在。对风速的统计分析、推断则是风速预测的主要研究方法。本文正是基于上述背景,对风电场短期风速预测进行研究。集合经验模态分解是一种时间维度上的信号分解手段,能够有效降低风速序列的复杂程度从而提高预测精度。本文对集合经验模态分解在风速预测中的应用进行了分析,之后针对集合经验模态分解提出了一种基于灰色关联分析的参数选择与比较方法。定义多级递增趋势项,利用灰色关联分析对不同初始参数下的各级趋势项与原始风速序列的关系进行分析,得到一系列灰色关联度。之后针对集合经验模态分解,提出两条参数选择原则,并依据上述原则选取相对最优参数。实例分析与相关研究结论表明本文提出的参数选取方法逻辑合理,操作性强,具有很强的实用价值。灰色预测模型与神经网络方法在用于风速预测时均有一定局限性,因此本文提出一种基于集合经验模态分解的组合预测模型,根据残余项与各本征模函数的不同特点,通过对风速序列分解分量使用不同的预测方法再进行加和的方式,将灰色预测方法与神经网络方法有机地结合到一起,构成组合预测模型。实例分析表明,本文提出的组合预测模型性能良好,很大程度上克服了单一预测模型的缺点,能够显著提高风速预测精度。为了修正组合模型的预测误差,进一步提升预测精度,本文将组合预测模型和洛伦兹扰动结合到一起。首先对组合模型与扰动的线性结合方法进行分析。在线性结合方法的基础上,本文提出了一种利用径向基神经网络进行扰动结合的方法。实例分析表明,在组合模型的基础上加入洛伦兹扰动能有效提升模型预测精度,本文提出的扰动结合方法具有更好的修正效果,适用范围更广,操作性更强,具有良好的应用前景。本文利用灰色关联分析方法对集合经验模态分解的参数进行比较与选取;利用集合经验模态分解构建了组合风速预测模型,将灰色预测模型与神经网络模型有机地结合在一起;对本文提出的组合模型与洛伦兹扰动的结合方式进行了研究与分析,并提出了一种基于径向基神经网络的结合方法。本文研究能够显著提升风速预测精度,实用性强,具有良好的应用价值。