可再生清洁型能源的需求日益扩大,风能作为新型能源的发展也越来越迅猛。风能在电力系统、制热系统等方面应用广泛,因此对风速进行预测和极值分布估计成为了利用风能所要解决的首要问题。风速预测精度的提高,对降低风力发电成本等方面都有着积极作用。风速极值分布拟合估计在强风地区的建筑抗风设计等方面也应用广泛,对风速数据进行极值估计的研究也势必会越来越多。本文首先对NWTC2风场所有变量数据进行相关性分析,之后对气象数据风速进行混沌特性的判定。使用DBSCAN聚类对所有数据进行去噪处理,选择最合适的风速数据序列进行实证研究。根据GRACH模型进行扩展,建立含有1个非对称项和一阶滞后项的EGARCH时间序列预测模型。在其数据具有非线性的事实下,建立具有外部输入的非线性自回归神经网络NARX模型,对风速数据进行每小时短期预测。此外,针对风速数据序列具有混沌性,采用C-C法确定相空间重构中所需参数,结合混沌理论建立混沌支持向量机模型,用以预测未来24 h的风速值。最后,根据各预测模型的RMSE和MAPE精度对模型预测效果进行评估。结果表明:基于混沌理论的最小二乘法支持向量机模型对NWTC2气象站所在地风速具有最佳预测效果。本文使用扩展的Burr Ⅻ分布、极值Ⅰ型Gumble和极值Ⅲ型Weibull分布,分别对风场风速数据进行极值分布拟合。首先选择MEF平均超额函数对风速数据进行阈值的确定,由于风速数据左尾数据过多的气象特点,所以选择大于3m/s的局部数据构造MEF函数,最终确定阈值。然后根据Bayesian-Monte Carlo参数估计法对三种分布中的不同参数进行估计,最后对数据进行分布拟合,并根据SSE和R2精度作为拟合优度指标,对三种分布拟合效果进行对比分析。结果表明Gumble拟和效果最好,但是本次试验提出了将扩展的Burr Ⅻ分布引入风速极值研究中,为今后气象数据的研究提供了更多可能性。