随着科技不断进步,对能源的需求成为当今社会发展最重要的一个问题,过度的开采或浪费能源会对环境以及生态造成不可逆的破坏。因此,需要寻求一种清洁、绿色且可再生的能源。风能作为一种清洁能源,有诸多优点。其可再生性与易获取性成为当今能源获取的重要来源,风能让风力发电这项产业技术日益成熟。但风速存在着非线性、随机性与不稳定性,在风力发电并入电网时存在许多困难。超短期风速预测会直接影响发电机组的发电效率。对电力设备的维护、安全规避和调度效率产生一定的影响。超短期风速预报可以在很短的时间间隔内进行,通常是几分钟到30分钟。超短期风速预报具有变化率高、随机性和不稳定性等特点。因此,准确的超短期风速预测对风电场的发电效率具有重要意义,在气象学领域也具有良好的应用前景。本文提出了一种全新超短期风速分解集成预测模型用于超短期风速时间序列预测。首先,利用经验模态分解算法对超短期风速进行分解。超短期风速数据一般都存在着高波动的时间序列数据,本文将原始的高波动超短期风速时间序列数据分解为若干个稳定的时间序列数据,分解后的数据更有利于预测模型进行数据预测。这种组合预测模型通过经验模态分解算法,解决了数据本身存在缺陷、难以预测的问题。其次,通过改进的长短期记忆神经网络对分解后的成分进行预测。对长短期记忆神经网络进行了改进,即在传统的长短期记忆神经网络模型基础上,增加了“窥探”连接。改进后的长短期记忆神经网络相比于传统的长短期记忆神经网络更加稳定,对回归预测问题有一定积极的意义,改进后的模型可以在处理大数据量时更加稳定、可靠。再次,利用设计的改进麻雀搜索算法对长短期记忆神经网络的超参数进行优化。改进的麻雀搜索算法可以获得更快收敛速度,寻求更优的极值,同时结合柯西变异和反向学习策略扰动最优解位置,提高抗局部极值能力。通过改进麻雀算法对改进长短期记忆神经网络模型4个超参数的寻优,极大的提高了改进长短期记忆神经网络的预测精度。最后,将各改进的长短期记忆神经网络模型的预测值进行叠加,得到最终预测值。以实际超短期风速数据为研究对象,采用R Square、均方根误差、相对均方根误差、修正均方根误差、平均绝对误差、平均绝对百分位数误差、Theil不平等系数、索引协议、皮尔逊检验、预测误差分布箱型图和泰勒图来判断预测模型的性能指标。在实例研究中,将本文设计的预测模型与标准长短期记忆神经网络、经验模态分解算法和标准长短期记忆神经网络、经验模态分解算法和标准麻雀搜索算法优化改进长短期记忆神经网络以及其它最新的模型进行了性能比较。结果表明,本文所提出的超短期风速预测模型具有最佳的预测性能和预测精度。