风能,作为一种重要,有潜力,无污染,可再生、可持续的能源,已经成为全球发电最为迅速的能源之一,越来越受到世界各国的青睐。近年来,为缓解能源短缺问题,改善环境,实现经济乃至人类的可持续发展,世界各国纷纷大力发展风能资源。然而,在实际操作中,风能固有的波动性和间歇性通常会增加风能入网的难度,致使风电场输出功率不稳定,严重影响输出的电能质量,大大增加了电网安全性和稳定性运行风险,因此,风速预测在风电相关工作中至关重要,准确、可靠的预测结果不仅有利于调度人员事先掌握风电场的功率变化情况,及时制定调度运行计划,提高能量转换效率、降低风险,增加发电量等,同时也有利于风电并网稳定运行和有效消纳,对可能存在影响电网安全稳定运行的风险及时预警,从而避免风电功率随机波动造成电能损耗甚至电网崩溃。近年来,国内外学者进行了大量风速预测相关研究,风速预测水平得到一定程度的提升。单一预测模型虽简单容易实施,但其预测精度往往较低,难以满足风电场发电的需求。相比之下,基于优化算法和数据分解法的混合预测模型对风速预测性能有很大的提升。然而,现有的模型只是使用单目标优化算法,针对预测模型精度的提高,很少关注预测结果稳定性的增强,涉及多目标优化算法的混合预测模型更是少之又少。因此,这些模型往往会降低预测结果的稳定性,对风电场发电以及风电并网的安全性和稳定性带来巨大的挑战。针对如上问题,本文构建出一个基于多目标优化算法和Elman神经网络的混合预测模型,主要包含四个模块:数据预处理模块、优化模块、预测模块以及评价模块。首先,在数据预处理模块本文利用CEEMD分解技术对风速时间序列数据进行分解、去噪声和重构,充分挖掘风速数据的内在信息特征;其次,在优化模块中我们提出一个新的多目标优化算法MOWOA,并将其用于优化ENN神经网络;最终,在预测模块中本文提出一个新颖的混合预测模型CEEMD-MOWOA-ENN,进行风速时间序列数据的相关预测;另外,为评估模型的有效性和泛化能力,评估模块引入假设检验,八个模型评价指标,四个仿真实验以及风电场的十组不同的风速数据(10-min、30-min)对本文所提出的预测模型进行综合评价。研究结果表明,与其他15个预测模型(即6个单一预测模型:WNN,BPNN,ENN,ARIMA,Persistence model,LSSVM 和 9个混合预模型 EEMD-ENN,CEEMD-ENN,CEEMD-WOA-ERNN,CEEMD-MOALO-ENN,WOA-ENN,SSA-CS-ENN,VMD-BBO-BPNN,CEEMD-MODA-ENN,CEEMD-MOWOA-WNN)相比,本文所提出的预测模型具有较强的泛化能力,能够大幅度的提升风速预测水平,最终取得优异、稳定的预测结果。本文所提出的混合预测模型不仅可以降低预测误差,提高风速预测精度,增强预测结果的稳定性,同时对风电场发电的完善,发展以及风电并网安全管理也大有裨益。本文的创新主要包括以下几点:首先,本文成功地提出一个新颖的多目标优化算法:多目标鲸鱼优化算法MOWOA,它为解决多目标优化问题提供了一个新的可行性选择,实验结果表明MOWOA优于近两年提出的两个多目标优化算法:MOALO和MODA;其次,本文使用CEEMD分解方法对风速数据进行分解、去噪声和重构,充分挖掘出风速数据内在的信息特征;再次,本文打破以往单目标优化预测模型的界限,将多目标优化算法应用于风速预测中,弥补了单目标优化算法的缺陷,提升了预测模型的精度以及预测结果的稳定性,为风速预测领域提供了新的思路;最终,研究结果表明本文所提出的预测模型优于其他15个对比预测模型。