风能发电因具有清洁、可再生等优点,已成为最具发展前景的新能源发电方式之一。但风速的随机性、波动性和不可控性等特点,使得风速预测十分困难且精度较低,导致了风力发电具有间歇性及不稳定性等复杂的非线性特征。因此,为揭示风速时间序列内部蕴含着的复杂特性,实现风速更为准确的预测,本文以美国国家风能研究中心M2测风塔实测风速时间序列为研究对象,采用非线性分析理论对其进行了分析及预测。首先从风速时间序列自身的非线性特征出发,基于分形理论研究了风速时间序列的分形维数及长程相关性等特征。其次,基于混沌理论,采用C-C算法确定了延迟时间及嵌入维数,并对风速时间序列进行了相空间重构。在此基础上,采用多种不同的混沌识别方法,从定性及定量两个角度对风速时间序列进行了混沌特征识别。最后,在确定时间序列具有混沌特征的基础上,将RBF神经网络及Volterra自适应滤波预测模型引入风速预测研究中,对风速进行了较为准确的预测。通过以上工作,主要成果如下:1.根据非线性分析的分形理论,研究了盒维数法及关联维数法的基本原理,并计算了风速时间序列的分形维数,同时研究了风速时间序列的无标度特征及自相似性。2.以分形高斯噪声(Fractal Gaussian Noise,FGN)为例,对比分析了R/S类分析法的特点,确定了以Lo法计算风速时间序列Hurst指数结果更加准确,然后采用该方法计算了风速时间序列的Hurst指数。此外,为进一步研究风速时间序列的非线性特征,采用去趋势波动分析(DFA分析)及功率谱分析(PSA分析)对风速时间序列进行了非线性分析。结果表明风速时间序列的Hurst指数均大于0.5,说明风速不是完全随机波动的时间序列,其具有明显的长程正相关性。此外,风速时间序列Hurst指数接近1,说明了风速时间序列呈现出“1/f波动”特征,属于典型的非线性不平稳信号。3.研究了相图法、频谱分析法、最大Lyapunov指数法及0-1混沌判定法的基本原理。并采用以上各种方法分别从不同角度判定了风速时间序列的混沌特征。结果表明:相图法及频谱分析法,可从时间序列在空间或时频域内表现出的特殊性质,对其混沌特征进行定性识别;最大Lyapunov指数作为混沌系统的重要指标,可用于对时间序列混沌特征进行定量分析。0-1混沌测试法仅通过渐进增长率Kc是否接近0或1即可判定风速时间序列的混沌特性;相较于其他混沌识别方法,具有计算成本低、速度快等优点。4.在判定风速时间序列具有混沌特征的基础上,采用RBF神经网络结合相空间重构理论对风速时间序列进行预测并对预测误差进行了分析,预测结果表明,基于RBF神经网络对混沌时间序列的预测方法具有较强的分类能力、逼近能力及样本学习能力,且所得预测结果较为准确。5.在研究了Volterra自适应预测算法的基础上,建立了风速序列的Volterra自适应混沌预测模型,并对风速时间进行了预测及误差分析,预测结果较为精确。