全球经济飞速发展,随着矿物能源的不断消耗,导致传统能源需求趋紧。风能作为一种高效、无污染的可再生能源被广泛认可,具有良好的应用前景。风速预测是风力发电的首要任务,准确的风速预测是保证电网可靠运行的前提。本文提出了一种自适应的数据预处理、级联优化和深度学习的组合多步预测模型,该模型可以减少风速的随机性和间歇性的影响,进而提高短期风速预测性能。选取上海海湾地区实测的10分钟粒度四季风速数据进行仿真实验,验证了模型的有效性和精度。主要的工作内容如下:（1）针对采集的原始风速序列出现异常值和缺失值的问题,采用3?准则剔除异常值和缺失值的均值填充,完善数据集,增强数据的可预报性。同时,为了降低风速序列的波动性和不平稳性,利用小波软阈值去噪（Wavelet Soft Threshold Denoising,WSTD）和变分模态分解（Variational Mode Decomposition,VMD）的组合预处理方法,WSTD滤除风速毛刺噪声,降低波动性,使预训练数据更加平滑,VMD的分解重构将风速序列的不平稳特性转化为平稳特性,为后续风速预测模型提供高质量的数据集。（2）为解决灰狼算法（Gray Wolf Algorithm,GWO）容易陷入局部最优,收敛速度慢的问题,提出混合灰狼算法（Hybrid Gray Wolf Algorithm,HGWO）的级联优化方法,提高寻优效率,利用HGWO优化VMD的分解个数K和惩罚因子?两个超参数,HGWO同时优化门控循环单元（Gated Recurrent Unit,GRU）的网络结构,即网络层数和学习率,构成最优的GRU网络结构,克服了VMD和GRU模型经验设定参数的问题,实现了模型参数的自适应设定,改善了VMD和GRU模型的预测能力。（3）应用改进后的GRU网络,采用滚动预测建模,建立风速多步预测模型,逐一对WSTD和IVMD预处理后的各模态分量进行分组重构和预测,HGWO-GRU预测模型能极好的进行风速特征学习,实时跟踪风速信息。（4）通过分析WSTD-VMD-GRU的单步预测和WSTD-HGWO-VMD-GRU的多步预测建模,对比经典预测方法,利用风速多步预测结果可视化、评价指标（MAE、RMSE、TIC、R2）和误差概率分布图进行模型的有效性验证和可行性分析。实验结果表明,本文所提出的自适应WSTD-HGWO-VMD-GRU组合模型在不同的季节性数据上表现出显著的多步预测性能和精度,模型也具有较高的稳定性和普适性。