随着煤炭、石油等不可再生能源的过度使用,人类的生存环境遭到了极大的破坏。而风能因其可循环利用、无污染、清洁等特点逐渐受到人们广泛的关注。风速作为风能最重要的指标之一,对其进行准确的预测将对风电厂管理与调度以及金融工程研究带来极大的帮助。因此,对风速预测方法的研究受到广泛关注。近些年来,BP神经网络在风速预测中发挥着重要作用。BP神经网络强大的非线性映射能力,高度的自学习和自适应能力以及一定的泛化能力和容错能力受到研究者们的青睐。尤其BP神经网络较强的非线性映射能力,其在风速预测中具有较高的预测性能。然而因其局部最优、收敛速度慢、网络训练“过拟合”等缺点,BP神经网络的预测结果不稳定,因此,其预测性能有很大的提升空间。研究者们利用蚁群优化算法、遗传优化算法、粒子群优化算法、萤火虫优化算法等对BP神经网络的权值和阈值进行相应的优化,以提升其预测性能。其中,萤火虫算法因其全局寻优和收敛速度快的特点受到研究者的青睐。其对BP优化之后,不仅提升了 BP的预测性能且增强了模型预测稳定性。然而,萤火虫对BP优化后期个别萤火虫容易陷入局部最优与收敛速度慢的缺陷,对模型的预测性能造成一定的影响。显然,在预测之前对原始数据做去燥预处理定能提升模型的预测性能,因此,数据预处理对模型预测性能提升有一定的帮助。基于以上的分析,本文构造了基于奇异谱分析、改进的萤火虫优化算法以及反向传播(BP)神经网络的混合预测模型,该模型可以在一定程度上减小预测误差,从而提升预测精度。为了检验模型的预测性能,本文选取了中国山东省蓬莱风电场27号、28号和29号风机以10-min间隔采取的风速值进行风速预测。并选取平均绝对百分比误差(MAPE)作为主要的评价准侧对模型的预测性能做出评价,其它的评价指标作为参考性标准,其中MAPE的数值越小则说明模型的预测性能越高。并选用DM(Diebold-MarianoTest)检验对模型预测性能做进一步的验证。本文提出的混合模型的相关内容主要概括为如下几点:(1)利用奇异谱分析(SSA)对原始数据序列进行去噪,这一步骤的原理就是将原始数据进行分解,然后剔除掉其中的高频序列,将剩下的包含原始数据重要信息的序列进行重构,用于预测。(2)在非线性、不规则性等特征的数据预测中,传统预测方法的预测呈现高偏差的特性。而神经网络在对非线性数据的处理上有着极大的优势,因此,在本文中我们选取了已经被实践证明且应用最为广泛的BP神经网络对本文中选用的风速值进行预测。(3)鉴于单一的BP神经网络在对风速的预测过程中容易陷入局部最优的缺陷,本文选用了萤火虫算法对BP神经网络的权值和阈值进行优化,以增强BP的全局寻优能力。(4)对于萤火虫算法来讲,由于个别萤火虫个体在其后期优化过程中容易陷入局部最优,且收敛速度变慢,最终导致预测结果不理想,因此本文又选择了拟牛顿法中的BFGS对FA(萤火虫算法)进行了相应的改进,改进后的萤火虫算法不仅保留了萤火虫算法所具有的优势,且避免了其后期优化过程中出现的个别萤火虫个体陷入局部最优及收敛速度慢的弊端。本文通过对比文中提出的混合预测模型与其它三个模型的预测结果,获得如下结论:(a)混合模型有着比其它模型更高的预测性能,且在各个实验中,混合模型的MAPE值都是最小的,从而也可以获知混合模型具有很强的稳定性和可靠性。(b)SSA方法将原始数据去除噪声之后,使得MAPE有了很大程度上的降低,这也印证了 SSA能够提升模型的预测精度。(c)为了进一步验证混合模型的预测性能本文又分别做了分季节预测、多步预测以及DM(Diebold-Mariano Test)检验等,最终的结果显示混合模型的预测性能确实优于其它单一模型。