近代以来,全球经济持续发展,储量极其有限的不可再生资源被大量消耗。与此同时,风能作为经济效益高、无污染的可再生能源被广泛应用,风能发电装机量增长迅速,风电在电网的所占比例也急剧上升,但是由于风电具有非线性、随机性与波动性的特点,对电网的稳定性与调度有着极大的影响,因此提出一种行之有效的风速预测方法是极其有必要的。优越的风速预测模型是处理电网受风电冲击的有效方法之一。近年来,众多研究人员对中长期风速预测已研究出众多的风速预测模型,在风速预测准确率上有一定的提升。但在短期风速预测领域,经典的风速预测模型效果并不是十分理想,无法达到实际要求。因此本文针对短期风速序列非线性、随机性的特征,选取来自三个不同风电场的风速数据(采样间隔均为1小时,每个数据集总计800个数据),展开了短期风速预测研究,本文主要工作内容及创新点如下:(1)针对灰狼优化算法(Gray Wolf Optimization,GWO)在参数寻优过程中,易囿于局部最优解的问题,提出了一种改进的灰狼优化算法(Improved Gray Wolf Optimization,IGWO)以提高灰狼优化算法的前期全局搜索能力,并加快后期收敛速度。(2)针对前馈神经网络(Back Propagation,BP)的预测效果受到初始权重及偏置影响较大的问题,选用改进的灰狼优化算法对BP神经网络进行参数寻优,显著的提高了网络的预测能力,提升了 BP神经网络的预测精度。(3)针对风速序列不平稳线性、间歇性等特点,提出使用变分模态分解算法(Variational Mode Decomposition,VMD)对数据进行预处理。针对变分模态分解的K值对分解效果影响较大的问题,首先采用自适应白噪声完整经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对数据进行分解,然后以CEEMDAN分解算法得到的模态数作为变分模态分解的K值,此举有效提高了 VMD分解的效果;之后使用经改进的灰狼优化算法优化后的BP神经网络预测所有经VMD分解后的分量并进行平权累加得到预测结果。实验结果表明,本模型的预测效果在各个性能指标均优于小波神经网络、前馈神经网络等模型。(4)在(3)的机器学习模型基础上,提出使用深度学习模型进行风速预测,而长短期记忆网络(Long-Short Term Memory,LSTM)作为经典的深度学习模型,由于其独特的遗忘门结构,在风速预测领域具有极大的优越性。然而普通的长短期记忆网络的网络层数与神经元个数需要通过试凑法得出,本文提出使用改进的灰狼优化算法优化长短期记忆网络结构参数,进而提高网络模型的预测能力。通过对采样间隔1小时数据进行仿真验证,证明了 IGWO-LSTM模型相比支持向量回归、人工神经网络,长短期记忆网络等模型更加出色。(5)针对VMD分解后的子序列复杂度相差较大的问题,提出由样本熵值大小决定分解后的分量选用何种模型预测。在此使用经改进的灰狼优化算法优化后的SVR、LSTM、BP网络的组合模型对分解后使用的序列进行预测的组合预测模型(VMD-IGWO-LSTM-BP-SVR),并提出使用IGWO优化SVR的惩罚因子和正则化参数(IGWO-SVR),之后使用IGWO-SVR预测样本熵值低的分量,IGWO-BP预测一般大小的样本熵值的分量,IGWO-LSTM网络预测复杂的分量。使用了三个数据集总计设置了三组对比实验,结果表明,VMD-IGWO-LSTM-BP-SVR相对传统机器学习模型、其他分解模型(EMD、EEMD以及CEEMDAN)与VMD-IGWO-LSTM-BP-SVR中单个模型总计11个对比模型,无论在预测精度还是跟随性能上均具有显著的提高。