深度学习方法以其特征提取和非线性数据建模的优势,受到越来越多研究者的关注。卷积神经网络作为深度学习中一种典型的结构,被广泛应用于化工、生物和语音识别等领域。卷积神经网络局部连接、权重共享等特点,使其可以有效地降低网络的复杂度,减少训练参数的数量,增强模型的容错能力。近年来中国电力工业中新能源占比越来越高,正在逐步构建高比例新能源电力系统,因此风速的精准预测对风电并网下提高电力系统的稳定性有重要意义。本文将风速预测作为应用对象,基于卷积神经网络这些优越的特性,构建风速预测模型。卷积神经网络中卷积层和池化层具有提取原始数据中隐含的内在特征的作用,全连接层具有整合提取的不同的局部信息的作用。而且卷积神经网络可以进行有监督学习进行训练,更易于优化参数。由于风速的强波动性和间歇性,池化层过滤提取特征过于粗糙,因此本文建立的适用于风速预测模型中不使用池化层。由于卷积层中存在未激活的死亡神经元,以及仿真的风速数据量比较大,将Dropout方法应用于模型的每一层,来提高模型的泛化性能。由此建立基于添加Dropout的卷积神经网络风速预测模型,利用小批量梯度下降算法来训练模型。针对网络输入数据选择问题,采用基于卡方检验法的特征选择。运用我国内蒙古某实际风电场的数据进行了仿真验证。验证结果证明了以上模型的有效性,且取得了更高的预测精度。由于采用Dropout方法时,每一层的丢失率都是根据经验设置的固定值,这可能会加大泛化差距。因此利用李雅普诺夫稳定性方法,保证网络收敛性的同时推导出每层丢失率的分布。基于此提出自适应Dropout方法,然后应用于卷积神经网络的风速数据模型中,而且该方法没有增加模型的计算复杂度。基于多种误差评价指标,对建立的自适应Dropout方法的卷积神经网络风速预测模型进行仿真实例验证。验证结果表明该模型在保持预测精度的同时,加快了收敛速度。