由于风速具有随机性和不稳定性,风力发电系统在变桨距控制过程中很容易受风速波动的影响,风电出力波动性很大,因此提出了基于风速预测的风力发电机变桨距控制研究,对风机并网前的电机转速进行控制。针对目前超短期风速预测精度不高的问题,提出了一种改进样本加权的支持向量机(Support Vector Machine,SVM)超短期风速预测方法。在样本加权中原有的相似性度量方法上加入区间变化趋势相似度函数,研究表明,对SVM进行改进样本加权后,可以将预测误差从7.61%降为7.46%,验证了该方法的有效性。针对现有的短期风速区间预测方法精度不高的问题,提出了基于模糊信息粒化的极限学习机(Extreme Learning Machine,ELM)短期风速区间与趋势预测的方法。对模糊信息粒化后的风速序列分别建立ELM、SVM预测模型,研究发现,ELM模型预测误差低于SVM模型预测误差,median(风速趋势值)、low(风速区间下限值)、up(风速区间上限值)三个序列的MAEE(平均绝对误差)均值分别下降了1.9%、0.65%、2.6%,验证了该方法的优越性。在超短期风速预测和风速趋势预测的基础上,建立循环神经网络(Recurrent Neural Networks,RNN)变桨距预测控制仿真系统,实现风机并网前的转速控制,并与RBF神经网络变桨距预测控制系统以及现场风机在PI控制策略下的实际运行状态做对比研究。研究发现风机实际的控制结果中风机转速抖动很大,很难实现风机的顺利并网,而基于RNN的变桨距预测控制和基于RBF神经网络的变桨距预测控制中电机转速上升都比较平缓,验证了变桨距预测控制策略在风机启动并网状态时转速控制的有效性,通过对比RNN和RBF神经网络变桨距预测控制结果,可以发现基于RNN的变桨距预测控制电机转速上升相对更加平缓,抖动较小,而且在额定转速附近也比较平稳,可以更平稳的实现风机并网。