随着能源危机、环境污染等问题的加剧，风能因清洁无污染、分布广、可再生等特点，受到了广泛关注。风力发电作为利用风能的最主要手段，得到了快速发展，风电在电网中的比重也日益增加。然而，风的随机性和间歇性等特点使得产生的风电功率存在不稳定性，增加了风电的不可控性，使得风电在并网时给电力系统的稳定运行造成严重威胁。因此，必须对风电场风速进行准确地预测，以此来提高风电的可控性，保障电力系统的稳定运行。　　本文针对风速预测建模中存在的问题，分别从风电场测风数据的预处理、神经网络的训练样本优选以及风速预测模型的优化等方面进行研究，以此来提高预测结果的可靠性。本文主要研究工作如下：　　（1）阐述了风速预测的研究背景及意义，概述了风速预测的分类、常用风速预测方法的特点，给出了判断风速预测结果好坏的指标，总结了风速预测建模中存在的问题。　　（2）以风电场实际测风数据为例，首先利用补充后的测风数据检验标准进行测风数据中坏数据的查找，并根据查找结果分析坏数据存在的不同情况；然后对不同情况的坏数据，分别利用分段滑动均值填补法、支持向量回归填补法、分段滑动均值填补法与支持向量回归填补法相结合的方法进行处理。仿真结果表明，不同情况的坏数据，本文处理方法均可获得较好的结果。　　（3）针对神经网络训练样本选取、隐含层结构优化问题，分别提出基于模糊聚类与随机抽取的方法优选训练样本，灰关联-贡献度删减法优化隐含层结构，并建立基于样本优选与结构优化的小波神经网络风速预测模型和基于样本优选与结构优化的 GABP神经网络风速预测模型。仿真结果表明，利用本文方法优选的训练样本进行神经网络训练，可以有效地提高风速预测结果的准确性；利用灰关联-贡献度删减法优化隐含层结构，不仅可以精简神经网络规模，而且使风速预测模型的预测性能得到明显改善。　　（4）针对卡尔曼滤波算法在预测建模时存在的状态方程和观测方程难建立、观测值如何选取等问题，本文在风速预测建模时，引入一元时间序列和小波神经网络。首先利用风速序列建立一元时间序列模型，并将其转换到状态空间中得到状态方程；然后利用风速序列建立小波神经网络模型，并将其风速预测值、预测误差分别作为观测值和观测误差，得到观测方程；最后利用卡尔曼滤波算法的递推方程式对风速进行预测。仿真结果表明，本文方法建立的基于卡尔曼滤波算法的风速预测模型的预测性能得到有效地提高，风速预测结果比较准确。