风力发电作为一种零排放、运行成本低的新能源发电技术,已在世界范围内实现了大规模的开发和利用。然而,风能呈现出的随机波动性仍然对风电安全并网提出了巨大挑战。高精度的风速预测工作是电网正常运行的根本保障和及时调整调度计划的可靠依据。传统的风速预测模型无法满足风电场预测精度要求,而且大多数预测方法集中在数值算法的改进上,缺乏对真实风速数据特性的挖掘。本研究将原始风速数据作为研究重点,通过时频分析方法探究风速序列的本质特征,并针对性的进行风速预测,有效改进传统风速预测方法的预测效果。主要工作包括以下几个方面:(1)利用经验模态分解方法对原始风速序列进行自适应分解,并根据经验模态函数波动的特性,选取最小二乘支持向量机和RBF神经网络预测模型分别对高频分量和低频分量进行预测,并以此建立组合风速预测模型;(2)根据原始风速序列的日相似性,筛选数据,降低历史数据的复杂程度,并针对经验模态分解方法的模态混叠问题,探究变分模态分解对原始风速序列的分解效果,以及考虑遗传算法全局优化能力对BP神经网络预测模型进行改进,建立有效的风速预测模型;(3)风速变化受多种因素影响,建立主成分分析模型压缩历史数据,提取综合指标,并利用独立成分分析模型将综合指标与风速序列进行分析,降低数据之间的相互干扰,并对各个分量建立RBF神经网络预测模型。与传统的神经网络预测模型(BP、RBF、ELMAN)相比,综合多因素的风速预测模型有效提高了风速预测水平,改进了RBF神经网络的预测效果。本文能够根据风速序列的本质属性建立风速预测模型,极大程度上降低了预测误差,有效改进了传统方法的预测效果并且可满足了风电场实时调度的精度要求。本文研究工作有助于电力系统调度部门准确评估电网运行风险,科学制定发电计划,降低电力运行成本,进而推动绿色能源大规模发展。