在风力发电行业中,如何提高风速预测的准确性一直都是困难和具有挑战性的问题。准确的风速预测可以指导风电机组的调动、检修,提高风电场运行效率并保证风电并网的安全。然而,单个预测模型或单一的混合模型都不能对一个风电场中不同特征的风速时间序列进行有效的预测。鉴于此,本文采用K均值聚类方法将山东某风电厂中的50组风速时间序列聚成3类,并对每一类中的风速时间序列随机抽取4组,5组,6组进行预测。在预测过程中,本文提出了三种混合模型(EMD-SDCS-SVM,FEEDM-CGFPA-ABBP和WD-APSOACO-BP)。三种混合模型的预测过程如下:1)数据预处理:利用EMD,FEEMD和WD去掉三种不同特征的风速时间序列的高频噪声;2)参数优化:为了提高单一优化算法的优化性能,本文中提出了三个改进的优化算法。利用最速梯度下降算法(SD)改进布谷鸟(CS)算法,提高布谷鸟算法的收敛速度;利用共轭梯度算法改进花粉传播(FPA)算法,提高了花粉传播算法的局部搜索能力和收敛速度;利用自适应粒子群算法(APSO)去改进蚁群算法(ACO),其改进后的蚁群算法避免了陷入局部最优,提高了蚁群算法的收敛速度,并降低了单一算法的计算量。3)预测过程:利用SDCS算法优化支持向量机(SVM)的惩罚系数和核函数,利用CGFPA算法选择ABBP的两个参数k,Bt;利用APSOACO优化BP神经网络的输入层与隐含层的权值和隐含层与输出层之间的阈值。数值实验表明:在具有不同特征的风速时间序列预测中应使用的不同的混合预测模型,并且与传统单一的预测模型相比较,本文提出的三种混合预测模型对不同特征的风速时间序列取得了令人满意的预测结果。