21世纪以来,现代社会飞速发展,而发展的代价是不间断高速消耗传统不可再生能源。传统的能源有两个巨大的不足之处,首先是其储量极其有限。其次,近些年来由于过度使用化石燃料而导致碳排量的严重超标,这加剧了全球变暖效应,从而全球极端气候发生次数持续增加。因此在全世界经济发展不确定的条件下,更加需要开发一种新型的可再生清洁能源。我国在构建生态环保方面一直走在前列,承诺在2030年全国碳排放达到峰值,2060年基本实现碳中和。在这种大环境下,可再生能源的开发已经成为全世界的共同任务。风能具有零污染的特性,属于自然界可再生资源而且具有可开发的优点;相比较其他可再生能源,诸如地热能,潮汐能,以及海洋盐水差能等,风能更容易得到广泛利用。为了更好地对风能进行利用,提前预知风速十分重要,当前一些学者已提出风速预测有关模型,但是精度不高,为使风速能够更精准地让我们捕获,需要对风速的预测模型提出相应的改进,因此,本文引入一种新的预测模型来有效提高风速预测的精度,为后续风能的应用及不确定情况下风速的应对提供实际技术支撑。在对风速数据进行预测之前,首先对数据进行特征重构,通过相关资料的查阅以及对各种方法的比较,为了能够最大程度的利用原始数据的信息,利用经验模态分解（EMD）方法来构建输入特征,由于经验模态分解具有良好处理非线性数据的性能以及强大的自适应性,因此用于特征重构;在进行风速预测过程中,BP神经网络对非线性数据较为敏感,在预测的过程中能有效提高模型的精准度,本文选择利用BP神经网络作为基回归器,为了解决BP神经网络预测过程中带来的局部最优问题,采用简单遗传算法进行优化处理,增强应对BP神经网络陷入局部最优的对抗能力。为了进一步改善预测模型的稳健性和精度,本文以集成学习Adaboost方法为预测模型的框架。由于Adaboost模型能够有效提高神经网络的预测精度以及鲁棒性,并且,在小批量数据下,Adaboost模型能够充分利用有限的样本信息得到更加精准的预测结果。考虑到集成学习方法与EMD技术及机器学习模型有效衔接,可以改进风速预测性能,本文提出一种EMD结合集成模型Adaboost改进的GA-BP算法,对风速预测方法进行改进优化,并在预测过程中提出一种新的隐层节点选择方法,在用经验模态分解得到新的输入数据后,考虑到分解后各分量与输出的关系,采取单隐层节点方法加强预测精度。利用来自NOAA的风电设备实测数据进行研究。实验证实了由本文提出的改进模型以及神经网络结构的优化方法所产生的预测结果优于传统的单一优化模型。其最终预测精度用均方根误差（RMSE）来评价,本文提出的方法的RMSE优于其他比较模型。