风力发电是目前新能源电力行业研究的热点问题。风电本身具有强随机性和波动性，在我国近年来大量规模化风电场投入运营，已经对电网的安全稳定运行带来了很多问题，目前的风电装机容量已经开始面对电网无法消纳的困境。准确的风电场功率预测是解决该问题的重要基础，可以帮助电网制定合理的调度计划，确定旋转备用，安全经济地保证电网的运行。风是风电机组出力的动力源，因此，准确的风速预测是实现风电场功率预测的重要前提，而目前国内对相关方面的研究尚处于起步阶段。因此本论文以风电场风速预测作为研究的主要内容，具体工作如下：首先提出了一种使用GPCA算法的基于模式的风速预测方法。风速序列在不同的天气条件下有着不同的变化规律，本文使用GPCA算法，在原始的高维空间中找出多个低维子空间，即找出隐藏的不同模式，在每一种模式上分别建模。预测时，根据当前输入与历史各模式的相似性给出了一种集成预测结果。随后本文引入了深度学习理论进行风速预测研究。深度神经网络具有强大的非线性映射能力，随着层数的增加，在高层神经元可以提取出抽象特征，即通过网络可以自动地将模式提取出来，无需事先聚类这一步骤。实验结果显示深度神经网络的优越性，可以有效提高精度。之后本文研究了基于频域多模式的风速预测方法。风速具有很强的多尺度特性，风速信号可以看成具有不同频率的信号的叠加，每一种频率的信号可以看做具有一种模式。本文使用小波分解将原始序列分为多个子序列，在每一子序列上建立预测模型，根据各自的自相关性确定预测长度并进行多尺度合成，实验结果证明了其有效性。最后本研究所为宁夏某风电场开发了一套风机远程监测与风速预测系统，该系统为未来的风速预测研究提供了一个良好的平台。